scipy库
信号处理模块signal
- signal模块包含大量滤波函数、B样条插值算法等
- 下面代码演示了一维信号的卷积运算
- 一维卷积是什么
>>> import numpy as np
>>> x=np.array([1,2,3])
>>> h=np.array([4,5,6])
>>> import scipy.signal
>>> scipy.signal.convolve(x,h) #一维卷积运算
array([ 4, 13, 28, 27, 18])
import numpy as np
from scipy import signal,misc
import matplotlib.pyplot as plt #用于显示图片
import matplotlib.image as mpimg #用于读取图片
image=misc.ascent() #二维数组图像，ascent图像
w=np.zeros((50,50)) #全0二维数组，卷积核
w[0][0]=1 #修改参数，调整滤波器
w[49][25]=1.0 #可以根据需要调整
image_new=signal.fftconvolve(image,w) #使用FFT算法进行卷积
plt.figure()
plt.imshow(image_new) #显示滤波后的图像
plt.gray()
plt.title('Filtered image')
plt.show()
- 下面的代码对图像进行模糊处理
import numpy as np
from scipy import signal,misc
import matplotlib.pyplot as plt #用于显示图片
import matplotlib.image as mpimg #用于读取图片
image=misc.ascent() #二维数组图像，ascent图像
w=signal.gaussian(50,10.0)
image_new=signal.sepfir2d(image,w,w)
plt.figure()
plt.imshow(image_new) #显示滤波后的图像
plt.gray()
plt.title('Filtered image')
plt.show()
- 中值滤波是数字信号处理、数字图像处理中常用的预处理技术，特点是将信号中每个值特护安慰其领域内的中值，即领域内所有值排序后中间位置上的值
>>> import random
>>> import numpy as np
>>> import scipy.signal as signal
>>> x=np.arange(0,100,10)
>>> random.shuffle(x) #打乱顺序
>>> x
array([60, 50, 20, 0, 40, 80, 90, 30, 10, 70])
>>> signal.medfilt(x,3) #中值滤波
array([50., 50., 20., 20., 40., 80., 80., 30., 30., 10.])
- signal的medfilt()方法传入两个参数，第一个参数是要作中值滤波的信号，第二个参数是邻域的大小(奇数)。如邻域为3即是每个点自己和左右各一个点成为一个邻域。在每个位置的邻域中选取中位数替换这个位置的数，也就是该函数的返回值数组。如果邻域中出现没有元素的位置，那么以0补齐。
图像处理模块ndimage
- 模块ndimage提供了大量用于N维图像处理的方法，更多用法可以参考官方文档
图像滤波
>>> from scipy import misc
>>> from scipy import ndimage
>>> import matplotlib.pyplot as plt
>>> face=misc.face()
>>> plt.figure() #创建图形
<Figure size 640x480 with 0 Axes>
>>> plt.imshow(face) #绘制测试图像
<matplotlib.image.AxesImage object at 0x0000008DC513AF28>
>>> plt.show() #原始图像
>>> blurred_face=ndimage.gaussian_filter(face,sigma=7)
>>> plt.imshow(blurred_face) #高斯滤波
<matplotlib.image.AxesImage object at 0x0000008DC56AECC0>
>>> plt.show()
>>> blurred_face1=ndimage.gaussian_filter(face,sigma=1) #以下3行为边缘锐化
>>> blurred_face3=ndimage.gaussian_filter(face,sigma=3)
>>> sharp_face=blurred_face3+6*(blurred_face3-blurred_face1)
>>> plt.imshow(sharp_face)
<matplotlib.image.AxesImage object at 0x0000008DB496CBE0>
>>> plt.show()
>>> median_face=ndimage.median_filter(face,7) #中值滤波
>>>
>>> plt.imshow(median_face)
<matplotlib.image.AxesImage object at 0x0000008DC83EDB70>
>>> plt.show()
原始图像
高斯滤波图像
边缘锐化图像
中值滤波图像
图像测量
>>> ndimage.measurements.maximum(face) #最大值
255
>>> ndimage.measurements.maximum_position(face) #最大值位置
(242, 560, 2)
>>> ndimage.measurements.mean(face) #平均值
110.16274388631184
>>> ndimage.measurements.median(face) #中值
109.0
>>> ndimage.measurements.sum(face)
259906521
>>> ndimage.measurements.variance(face) #方差
3307.17544034096
>>> ndimage.measurements.standard_deviation(face) #标准差
57.508046744268405
>>> ndimage.measurements.histogram(face,0,255,256) #直方图
array([ 3473, 613, 748, 993, 1651, 2468, 4198, 6781, 9301,
11777, 11084, 10206, 10011, 10491, 11335, 11698, 11788, 11448,
11383, 10860, 10563, 9743, 9104, 8692, 7939, 7940, 8069,
8219, 8251, 8270, 8066, 7901, 7913, 7855, 7974, 8021,
8221, 8374, 8316, 8217, 8338, 8300, 8440, 8540, 8936,
9005, 9226, 9497, 9406, 9802, 10126, 10137, 10167, 10208,
10246, 10093, 10508, 10457, 10465, 10743, 10773, 11127, 11355,
11534, 11320, 11650, 11945, 12006, 12397, 12379, 12515, 12555,
12872, 12890, 12985, 12954, 12930, 13172, 13270, 13374, 13404,
13550, 13414, 13428, 13370, 13488, 13706, 13875, 13756, 13947,
13838, 14063, 14321, 14395, 14274, 14291, 14411, 14727, 14612,
14588, 14443, 14612, 14499, 14375, 14574, 14450, 14461, 14665,
14674, 14620, 14569, 14488, 14708, 14898, 14600, 14573, 14482,
14632, 14178, 14190, 14347, 14201, 14193, 14049, 13809, 13720,
13711, 13716, 13557, 13614, 13393, 13126, 13205, 12860, 12995,
12818, 12797, 12697, 12900, 12832, 12799, 12737, 12670, 12448,
12388, 12099, 12131, 12087, 11859, 11676, 11863, 11837, 11747,
11593, 11574, 11579, 11566, 11457, 11391, 11372, 11567, 11262,
11226, 10994, 10903, 10812, 10576, 10699, 10501, 10425, 10368,
10081, 9969, 9871, 9952, 9815, 9575, 9523, 9268, 9219,
9070, 8997, 8826, 8761, 8467, 8351, 8069, 8141, 7992,
7822, 7672, 7763, 7383, 7293, 7177, 6988, 6848, 6782,
6623, 6447, 6344, 6080, 6290, 6231, 6061, 6085, 6017,
5845, 5897, 5789, 5568, 5416, 5303, 5139, 4786, 4753,
4519, 4448, 4087, 4034, 3977, 3764, 3467, 3191, 3130,
3000, 2631, 2591, 2406, 2231, 2070, 1995, 1751, 1520,
1369, 1267, 1121, 981, 920, 889, 803, 764, 747,
720, 648, 568, 539, 539, 405, 390, 349, 318,
282, 253, 181, 589], dtype=int64)