對于深度學習而言，很多任務都是與數(shù)字圖形處理打交道。這類任務的數(shù)據(jù)集一般是由很多張圖像構成，有時候，當原始圖像不能直接送入模型中時，需要對其進行一定的預處理操作，這時候就不得不向大家介紹一個十分有用的軟件包OpenCV，用它處理圖像起來非常方便，OpenCV是一個基于BSD許可發(fā)行的跨平臺計算機視覺庫，它輕量且高效，是由一系列C函數(shù)和少量C++類構成，支持Python、MATLAB等語言接口，內(nèi)部包含了很多圖像處理的相關算法。下面將向大家介紹如何使用NumPy和OpenCV對數(shù)字圖像進行簡單的處理方法：

關于像素的一些知識

在程序世界里，圖像輸入到計算機中時，與人眼所見的圖像的形式不太一樣。計算機將圖像存儲為類似于馬賽克的小方塊，就像古老的方塊馬賽克藝術的形式。如果方形塊太大，那么就很難制作出光滑的邊緣和曲線。使用的方塊越小，則越平滑，或者說圖像的像素就越少，方塊的大小有時候也被稱為圖像的分辨率。

矢量圖像是存儲圖像的一些不同方法，目的是為了避免與像素相關的問題。但是，即使是矢量圖像，最終也會顯示為像素級的馬賽克。像素一詞表示圖像元素，描述每個像素的簡單方法是使用三種顏色的組合，即紅色(Red)，綠色(Green)，藍色(Blue)，即我們平時所說的RGB圖像。

在RGB圖像中，每個像素由分別與紅色，綠色，藍色的值相關聯(lián)的三個8比特數(shù)表示。假設使用放大鏡觀察，如果我們放大圖片，就會看到圖片是由微小的光點或更加具體的像素組成，更有趣的是，看到的那些小光點實際上是多個微小不同顏色的小光點，且顏色只有紅色、綠色和藍色。

假設現(xiàn)在從遠處觀察，創(chuàng)建一張圖像，可以看到一張圖像實際上由像素點值的開關決定(像素值為1表示開，像素值為0表示關)，這些開關組合創(chuàng)建了圖像，基本上，我們每天在屏幕上看到的圖像都是這種。

每張圖像都以數(shù)字形式的像素組成，像素是構成圖片的最小信息單位，通常是圓形或方形，且位于二維網(wǎng)格中。

現(xiàn)在，如果RGB三個值都處于全強度，這意味著其組合值為255，該值表示為白色，如果所有三種顏色都被減弱，或者值設置為0，其值表示為黑色。反過來，三者的不同組合將為我們提供不同特定的像素顏色。由于每個數(shù)字都是8比特，因此像素值的取值范圍為0-255，從下圖可以看到，但R的強度為37.3%，G的強度為45.9%，B的強度為18.8%時，組合成的顏色為深綠(dark green)。

三種顏色的不同組合將產(chǎn)生不同的顏色，由于每個值可以具有256個不同的強度或亮度值，因此總共有1680萬(256 x 256 x 256)種不同組合。

圖像的基本知識介紹完畢后進入正題，以下內(nèi)容將包含Numpy非常基本的圖像數(shù)據(jù)分析、還有一些Python數(shù)據(jù)包，比如imageio，matplotlib等。本系列博客內(nèi)容結構如下，先介紹前三個部分：

• 導入圖像并觀察其屬性
• 拆分圖層
• 灰度化
• 對像素值使用邏輯運算符
• 使用邏輯運算符進行掩碼
• 衛(wèi)星圖像數(shù)據(jù)分析

導入圖像

下面加載圖像并觀察其各種屬性。注意，在輸入下面代碼請確保好已經(jīng)安裝好對應的python數(shù)據(jù)包。

觀察圖像的基本屬性

其輸出

ndarray的形狀表明它是一個三維矩陣，輸出結果的前兩個數(shù)字分別表示高度(height)和寬度(width)，第三個數(shù)字(即3)表示是該圖像是三通道彩色圖：紅色、綠色和藍色。因此，如果我們計算RGB圖像的大小，則總像素大小將是weiheigh x width x 3。

這些值對于驗證而言是很重要的，因為8位顏色強度不能超出0到255范圍。

使用圖片可以分配變量，此外還可以訪問圖像的任何特定像素值，并且還可以分別訪問每個RGB通道。

在這種情況下：R = 109、G = 143、 B = 46，從這個配置可以看出該像素中有很多綠色，也可以通過三個通道的索引值來從中選擇出一個。根據(jù)一般規(guī)定：

• 索引0表示紅色通道
• 索引1表示綠色通道
• 索引2表示藍色通道

但在OpenCV中，Images并不是按照RGB的順序規(guī)定，而是BGR。 imageio.imread將圖像加載為RGB(或RGBA)，但OpenCV假定圖像為BGR或BGRA(BGR是OpenCVcolour的默認的式)。

現(xiàn)在快速查看整個圖像中每個通道表示的圖像。

下面，也可以更改RGB的數(shù)值。例如，將下面行的紅色、綠色、，藍色圖層的值全部設置為全強度，即取值為255。

• R通道：第100行到110行
• G通道：第200行到210行
• B通道：行300行到310行

本次測試只在一張圖像上進行綜合處理，方便我們同時查看每個通道的值對圖像的影響。

為了更加清楚地對比分析，我們也改變部分列的像素值，這次測試同時更改RGB通道的值。

拆分圖層

通過以上測試，可以知道，圖像的每個像素點都是由三個整數(shù)表示。只需要拉出圖像陣列的正確切片，就可以將圖像分割成單獨的顏色分量。

灰度化

黑白圖像存儲在二維矩陣中，目前存在兩種類型的黑白圖像：

• 灰度：灰色陰影的范圍：0~255
• 二進制：像素為黑色或白色：0或255

灰度處理過程，就是將圖像從全彩色轉換為灰度圖。在圖像處理工具中，例如：在OpenCV中，在使用很多含住之前，需要將圖像進行灰度處理，這樣做是因為灰度處理簡化了圖像，幾乎像降噪一樣，這是因為灰度圖像中的信息比較少。

在python中有兩種方法可以將圖像轉換為灰度。但是，更直接的方法是使用matplotlib包，該包執(zhí)行的操作是獲取原始圖像的RGB值后進行加權平均。

而通過GIMP將顏色轉換為灰度圖像有三種算法來完成任務：

• 亮度(Lightness)灰度等級計算為Lightness = ½×(max(R,G,B)+ min(R,G,B))
• 照明度(Luminosity)灰度級將計算為Luminosity= 0.21×R + 0.7×G + 0.07×B
• 平均亮度灰度級將計算為Average Brightness=(R + G + B)÷3

下面讓我們嘗試實現(xiàn)一下這三個算法中的一種吧，本文選擇Luminosity。

從圖中可以看到，圖像變?yōu)榱嘶叶葓D，且圖像矩陣變?yōu)榱硕S矩陣。

使用Numpy和Opencv完成圖像的基本數(shù)據(jù)分析(Part II)

作者：Mohammed Innat，機器學習和數(shù)據(jù)科學研究者