作者：Muhammad Junaid Khalid
翻譯：老齊
與本文相關的圖書推薦：《資料準備和特征工程》
概要
在本文中，将學習如何使用Python語言進行圖像處理，我們不會局限于一個單獨的庫或架構，然而，有一個庫的使用率将會是最高的，那就是OpenCV。我們一開始會讨論一些圖像處理，然後繼續探讨不同的應用/場景，也就是圖像處理的用武之地。開始吧!
什麼是圖像處理?
在深入研究圖像處理的方法之前，重要的是要了解什麼是圖像處理，特别是這項技術在處理大量圖檔方面的角色。圖像處理完整的說法是“數字圖像處理”，經常使用圖像處理的領域是“計算機視覺”。對這兩個術語不要混淆，圖像處理算法和計算機視覺(CV)算法都以圖像為輸入，然而，在圖像進行中，輸出也是圖像，而在計算機視覺中，輸出可以是關于圖像的一些特征或資訊。
為什麼需要圖像處理?
我們收集或生成的資料大部分是原始資料，也就是說，由于一些可能的原因，這些資料不适合直接用于應用程式。是以，我們需要首先分析它，執行必要的預處理，然後使用它——特别推薦《資料準備和特征工程》，此書即為這方面最佳讀物。
例如，我們正在嘗試建構一個關于貓的分類器。我們的程式會把一個圖像作為輸入，然後告訴我們這個圖像是否包含一隻貓。建構這個分類器的第一步是收集數百張含有貓的圖檔。一個常見的問題是，收集的所有圖檔的大小都不相同，是以在将它們提供給模型進行訓練之前，需要調整它們的大小或者把它們進行預處理，使尺寸符合标準。
為什麼圖像處理對于任何計算機視覺應用序都是必不可少的？以上提到的隻是衆多原因之一。
預備知識
為了輕松地學習本文内容，你需要已經具備如下知識。
首先，應該具備一定的程式設計語言技能，本文使用的是Python語言，如果尚未掌握此語言，推薦閱讀《跟老齊學Python：輕松入門》或《Python大學實用教程》。
其次，你應該了解什麼是機器學習以及它的基本工作原理。因為在本文中我們将使用一些機器學習算法來進行圖像處理。
另外，如果你之前接觸過或掌握了OpenCV的基本知識，也會有所幫助。但這不是必需的。
還有，你一定要了解圖像在記憶體中究竟是如何表示的。每幅圖像都由一組像素表示，即像素值矩陣。對于灰階圖像，像素值的範圍是0到255，它們表示該像素的強度。例如，如果你有一個20×20維的圖像，它将由一個20x20的矩陣表示(像素值總共是400)。
如果你正在處理彩色圖像，你應該知道它有三個通道——紅、綠、藍(RGB)。是以，一個彩色圖像有三個這樣的矩陣。
安裝
注意: 由于我們将通過Python使用OpenCV，是以你必須會實用它，前面推薦了關于Python的書籍。下面依次說明在不同作業系統中OpenCV的安裝方法：
- Windows
- MacOS
- Linux
要檢查是否安裝成功，請在Python互動模式中運作以下指令:
必備的基礎知識
在進行圖像處理之前，要先做一些準備。
在本文中，我們将使用以下圖像:
注意: 為了在本文中顯示該圖像，對其進行了縮放，但是我們使用的圖像原始大小約為1180x786。
你可能注意到圖像現在是彩色的，這意味着它由三個顔色通道表示，即紅色、綠色和藍色。我們将把圖像轉換成灰階，并使用下面的代碼将圖像分割成單獨的通道。
找到圖像細節
使用
imread()
函數加載圖像後，我們可以得到關于它的一些簡單屬性，比如像素的數量和尺寸:
Output:
将圖像分割成單獨的通道
現在，我們将使用OpenCV将圖像分割成紅色、綠色和藍色的部分，并顯示它們:
為了簡單起見，我們隻顯示灰階圖像。
圖像門檻值
門檻值的概念非常簡單。正如上面在圖像表示中所讨論的，像素值可以是0到255之間的任何值。假設我們想要将一幅圖像轉二值化，即指定一個像素值為0或1。為此，我們可以設定門檻值。例如，如果門檻值(T)為125，那麼所有大于125的像素将被指派為1，所有小于或等于該值的像素将被指派為0。下面，我們通過代碼來更好地了解它。
将下面的圖像用上述方法進行轉換：
輸出：
正如你所看到的, 二值化之後，出現了兩個區域，即黑色區域(像素值0)和白色區域(像素值1)。原來, 我們設定的門檻值正好在圖像的中間，這就是為什麼黑白值在那裡被分割。
應用
1:去除圖像中的噪聲
現在你已經對圖像處理的概念和用途有了基本的了解，接下來讓我們來了解一下它的一些具體應用。
在大多數情況下，我們收集的原始資料有噪聲，也就是說，不需要的特征使圖像很難被感覺。雖然這些圖像可以直接用于特征抽取，但是算法的準确性會受到很大的影響。這就是為什麼在将圖像傳遞給算法以獲得更好的精度之前，要對圖像進行處理的原因。
有許多不同類型的噪聲，如高斯噪聲，椒鹽噪聲等。我們可以通過應用濾波器來去除圖像中的噪聲，或者至少将其影響降到最低。在濾波器方面也有很多選擇，每一個濾波器都有不同的優點。是以，對于特定類型的噪聲來說，總有一個是最好的。
為了更好地了解這一點，我們将在上面的玫瑰色圖像的灰階版本中添加“鹽和胡椒粉”噪聲，然後嘗試使用不同的濾波器去除圖像中的噪聲，看看哪一個最适合這種類型。
好的，我們已經把噪聲添加到玫瑰圖像，這是它現在的樣子：
讓我們現在應用不同的濾波器，并記下觀察結果，即每個濾波器降噪的效果。
銳化濾波器
在有椒鹽噪聲的圖像上應用濾波器得到的圖像如下所示。通過與原始灰階圖的對比，我們可以看出，它把圖像調得太亮了，也無法突出玫瑰上的亮點。是以，我們可以得出結論，銳化濾波器并不能去除噪聲。
銳化濾波器輸出:
中值濾波器
在有噪聲的圖像上應用中值濾波器，得到的圖像如下所示。通過與原始灰階圖像的對比，我們可以看出，與上面的核方法一樣，圖像的亮度調高了很多，然而，它能夠突出玫瑰上的亮斑(即噪聲)。是以，我們可以說，中值濾波器是比銳化濾波器更好的選擇，但它仍然不能完全恢複原始圖像。
中值濾波器輸出:
逆諧波均值濾波器
注意: 對這些濾波器的工作原理的闡述，超出了本文範疇，讀者可以在網上搜尋，我們還是從應用的層面來研究。
在有椒鹽噪聲的圖像上應用逆諧波均值濾波器(https://en.wikipedia.org/wiki/Contraharmonic_mean)得到的圖像如下圖所示。通過與原始灰階圖像的對比，我們可以看到：它幾乎完美再現了原始圖像。它的強度或亮度級别與原圖是相同的，它突出了玫瑰上的亮點。是以，我們可以得出結論，逆諧波均值濾波器在處理椒鹽噪聲方面是非常有效的。
逆諧波均值濾波器輸出:
現在我們已經找到了最佳濾波器，它可以有效地把有噪聲的圖像恢複到原始圖像。我們可以繼續下一個應用了。
2:使用Canny算子進行邊緣檢測
到目前為止，我們使用的玫瑰圖像的背景是不變的，也就是黑色的，是以，我們将把這個應用用于不同的圖像，以更好地展示算法的功效。原因是，如果背景是恒定的，邊緣檢測任務就變得相當簡單，這不是我們所希望的。
在本文開始部分，我們提到了一個關于貓的分類器。現在我們延用這個例子，看看圖像處理如何在其中扮演一個完整的角色。
在分類算法中，首先掃描圖像尋找“對象”。也就是說，當你輸入一幅圖像時，算法會找到圖像中的所有對象，然後将它們與你試圖尋找的對象進行特征比較。對于貓分類器，它會将在圖像中找到的所有對象與貓圖像的特征進行比較，如果找到比對項，它會告訴我們輸入圖像中包含了一隻貓。
對于這個貓分類器，僅以一張貓的圖像為例，以下是我們将要使用的圖像:
邊緣檢測輸出:
正如你所看到的，圖像中包含對象的部分(在本例中是一隻貓)已經通過邊緣檢測用虛線标出或分隔開。現在你一定想知道，什麼是邊緣檢測的Canny算子，它是怎麼工作的？現在就讨論一下。
要了解上述内容，需要讨論三個關鍵步驟。首先，它對圖像進行降噪，降噪方式與前面讨論的方式類似。其次，它使用每個像素的一階導數來找到邊緣。這背後的邏輯是，在邊緣存在的地方，會有一個突然的強度變化，導緻一階導數值達到峰值，進而使該像素成為“邊緣像素”。
最後，進行滞後門檻值化；上面我們說過，在一個邊緣的一階導數值會有一個峰值，但是我們沒有說：這個峰值需要有多高，才能被歸類為一個邊緣——這叫做門檻值!在本文的前面，我們讨論了什麼是簡單的門檻值。遲滞門檻值法是在此基礎上的一種改進，它利用兩個門檻值來代替一個門檻值。這背後的原因是，如果門檻值過高，我們可能會錯過一些真正的邊緣(真負例)，如果門檻值過低，我們會得到很多被歸類為邊緣的點，而實際上不是邊緣(假正例)。一個門檻值設定為高，一個設定為低，将所有高于“高門檻值”的點辨別為邊緣，然後對所有高于“低門檻值”但低于“高門檻值”的點進行評估；邊緣上的點确定之後，與邊緣點靠近或相鄰的點也被确定為邊緣，其餘的點被丢棄。
這些是Canny算子用于識别圖像邊緣的基本概念/方法。
譯者注： Canny算子是澳洲計算機科學家約翰·坎尼(John F. Canny)于1986年開發出來的一個多級邊緣檢測算法，其目标是找到一個最優的邊緣.
結論
在本文中，我們學習了如何在不同的平台(如Windows、MacOS和Linux)上安裝OpenCV，以及如何驗證安裝成功。OpenCV是Python中最流行的圖像處理庫。
接着我們讨論了什麼是圖像處理，以及它在機器學習的計算機視覺領域中的應用。我們讨論了一些常見的噪聲類型，以及如何使用不同的濾波器将噪聲從圖像中去除，以便在應用中使用這些圖像。
此外，我們還了解了圖像處理如何在高端應用(如：對象檢測或分類)中發揮不可或缺的作用。請注意，這篇文章隻是冰山一角，數字圖像處理還有更多的内容，不可能在一篇短文中全部涵蓋。請關注微信公衆号「老齊教室」，這裡還會刊發有關圖像處理的文章。
原文連結：https://stackabuse.com/introduction-to-image-processing-in-python-with-opencv/
★
搜尋技術問答的公衆号：老齊教室
”
★
在公衆号中回複：老齊，可檢視所有文章、書籍、課程。
”
覺得好看，就點這裡👇👇👇