【scipy 基礎】--影像處理

SciPy庫本身是針對科學計算而不是影像處理的，只是影像處理也包含了很多數學計算，
所以Scipy也提供了一個專門的模組ndimage用於影像處理。

ndimage模組提供的功能包括輸入/輸出影像、顯示影像、基本操作（如裁剪、翻轉、旋轉等）、影像過濾（如去噪、銳化等）、影像分割、分類、特徵提取以及註冊/配準等任務。

這個模組支援多種影像格式的讀取和寫入，使得對影像的處理變得方便快捷。

1. 主要功能

雖然影像處理不是Scipy的主要目的，Scipy中也提供了70多個各類影像處理函式。

類別	主要函式	說明
過濾器	包含convolve等20多個函式	各類卷積和濾波相關的計算函式
傅立葉濾波器	包含fourier_ellipsoid等4個函式	多維橢球傅立葉，高斯傅立葉等濾波器
影像插值	包含affine_transform等8個函式	影像的反射變換，移動，旋轉等相關函式
影像測量	包含center_of_mass等將近20個函式	計算影像幾何特徵的相關函式
形態學	包含binary_closing等20多個函式	影像的侵蝕，膨脹，二元開閉運算等等

影像處理底層函式專業性較強，下面結合圖片演示一些比較直觀的例子。

2. 邊緣檢測

影像邊緣檢測在計算機視覺和影像處理中是非常重要的任務之一。
邊緣是影像中畫素值發生顯著變化的地方，它可以提供有關影像的重要資訊，例如物體的輪廓、邊界等。

ndimage模組中提供了多種演算法來檢測邊緣，下面演示三種不同的邊緣檢測演算法的效果：
（示例中所用的圖片是維基百科上找的一個python logo）

2.1. sobel演算法

import matplotlib.pyplot as plt
import cv2
from scipy import ndimage

image = plt.imread("d:/share/python-logo.png")
# 影像灰度化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用索貝爾邊緣檢測演算法
name = "sobel"
edges = ndimage.sobel(gray)

# 顯示原始影像和邊緣檢測結果
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image)
ax[0].set_title("原始影像")
ax[1].imshow(gray, cmap="gray")
ax[1].set_title("灰度影像")
ax[2].imshow(edges, cmap="gray")
ax[2].set_title("邊緣檢測({}演算法)".format(name))
plt.show()

2.2. prewitt演算法

程式碼和上面的類似，不同的部分就下面兩行。

# 使用prewitt邊緣檢測演算法
name = "prewitt"
edges = ndimage.prewitt(gray)

2.3. laplace演算法

上面兩種演算法的效果看上去很類似，laplace演算法的結果看上去比上面兩種效果更好一些。

name = "laplace"
edges = ndimage.laplace(gray)

3. 侵蝕和膨脹

侵蝕和膨脹是最基本的兩種影像形態學操作，它們的作用用來增強目標特徵。
仍然使用上面的python logo圖片，演示侵蝕和膨脹的操作。

import matplotlib.pyplot as plt
import cv2
from scipy import ndimage

image = plt.imread("d:/share/python-logo.png")
# 影像灰度化
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 影像侵蝕
structure = ndimage.generate_binary_structure(2, 2)
erosion = ndimage.binary_erosion(image, structure)

# 影像膨脹
dilation = ndimage.binary_dilation(image, structure)

# 顯示原始影像、侵蝕影像和膨脹影像
fig, ax = plt.subplots(1, 3, figsize=(8, 4))
ax[0].imshow(image, cmap="gray")
ax[0].set_title("灰度影像")
ax[1].imshow(erosion, cmap="gray")
ax[1].set_title("影像--侵蝕")
ax[2].imshow(dilation, cmap="gray")
ax[2].set_title("影像--膨脹")
plt.show()

簡單來說，侵蝕操作會擴張影像中黑色的區域，反之，膨脹操作會擴張影像中白色的區域。
直觀上來看的話，侵蝕變瘦了，膨脹變胖了。

4. 總結

Scipy的影像模組本質上是把影像當作陣列來處理，
雖然它不是專門的影像處理庫，不過它處理速度很快，且和numpy等庫結合緊密，
經常處理影像的朋友可以把它當成一個輔助的工具。