图像处理1,灰度,data,for循环批处理图片,图片属性查看,图片单通道查看,椒盐噪声的生成,滤波处理,图像分割

图像处理1

  • 灰度处理
  • data库的使用
  • for循环批处理图像
  • 对图像属性的查看
    • 图片类型
    • 图片尺寸
    • 图片宽度
    • 图像高度
    • 通道数
    • 总像素个数
    • 最大像素值
    • 最小像素值,像素平均值
    • 图像点像素值
  • for循环分别显示图像rgb通道
  • 椒盐噪声的生成
  • 中值滤波处理
  • 高斯模糊处理
  • 图像切割

灰度处理

from skimage import io
a = 'tuxian.jpg'
img = io.imread(a,as_gray=True)
io.imshow(img)
io.show()

在这里插入图片描述
这段代码使用Python中的skimage库来读取名为"tuxian.jpg"的图像文件赋值给a,并将其以灰度图像的形式加载到变量img中。然后使用skimage库中的io.imshow()函数显示图像,最后使用io.show()函数将图像显示在屏幕上。

data库的使用

from skimage import io, data
img = data.chelsea()
io.imshow(img)
io.show()

在这里插入图片描述
这里使用了data.chelsea()将data库中的小猫图片调用了出来

from skimage import data_dir
print(data_dir)

这段代码使用Python中的skimage库,并导入其中的data_dir模块。然后使用print语句打印出data_dir模块的值,该值表示skimage库中存储数据文件的目录路径。

from skimage import io, data
img = data.chelsea()
io.imshow(img)
io.imsave('C:/Users/daiyo/Desktop/jupyter库/工坊/xiaomao.jpg',img)
io.show()

此代码与上面的

from skimage import io, data
img = data.chelsea()
io.imshow(img)
io.show()

效果一样

for循环批处理图像

import os
from skimage import iofolder_path = 'C:/Users/daiyo/Desktop/jupyter库/工坊/图像'
save_folder_path = 'C:/Users/daiyo/Desktop/jupyter库/工坊/图像/savepng'img_list = []# 遍历文件夹中的所有文件
for filename in os.listdir(folder_path):if filename.endswith('.jpg'):img_path = os.path.join(folder_path, filename)img = io.imread(img_path)img_list.append(img)# 保存图像为png格式
for i, img in enumerate(img_list):save_path = os.path.join(save_folder_path, f'image_{i}.png')  # 构造保存路径io.imsave(save_path, img)

在这里插入图片描述

  1. 首先导入必要的模块
  2. 设置源文件夹和目标文件夹的路径:
    folder_path:包含原始 .jpg 图像的文件夹路径。
    save_folder_path:将保存新的 .png 图像的目标文件夹路径。
  3. 初始化图像列表:
    创建一个空列表 img_list,用来存储从文件夹中读取的图像数据。
  4. 读取并存储图像数据:
    使用 os.listdir(folder_path) 遍历指定文件夹中的所有文件。
    对于每个文件,检查文件名是否以 .jpg 结尾。如果是,执行以下操作:
    使用 os.path.join(folder_path, filename) 构造完整的文件路径。
    使用 io.imread(img_path) 读取图像文件,并将读取的图像数据存储到变量 img 中。
    将 img 添加到列表 img_list 中。
  5. 保存图像为 PNG 格式:
    代码遍历img_list列表中的每个图像,使用enumerate()函数获取图像在列表中的索引i。
    然后构造保存路径save_path为save_folder_path下的’image_i.png’,其中i为图像在列表中的索引。最后使用io.imsave()函数将每个图像保存为png格式文件,保存在指定的文件夹路径下,文件名为’image_i.png’。

对图像属性的查看

图片类型

from skimage import io
a = 'tuxian.jpg'
img = io.imread('tuxian.jpg')
# io.imshow(img)
print("图片类型是",type(a))

在这里插入图片描述

图片尺寸

在这里插入图片描述

图片宽度

在这里插入图片描述

图像高度

在这里插入图片描述

通道数

在这里插入图片描述

总像素个数

在这里插入图片描述

最大像素值

在这里插入图片描述

最小像素值,像素平均值

在这里插入图片描述
在这里插入图片描述

图像点像素值

from skimage import io
img = io.imread('tuxian.jpg')
place = img[30, 40]
print(place)

在这里插入图片描述

for循环分别显示图像rgb通道

import cv2
img = cv2.imread("tuxian.jpg")
cv2.imshow("one1",img)
b = img[:,:,0]
g = img[:, :, 1]  
r = img[:, :, 2] 
cv2.imshow("b",b)
cv2.imshow("g", g)  
cv2.imshow("r", r) 
# 等待用户点击关闭窗口
while True:if cv2.waitKey(1) & 0xFF == ord('q'):breakcv2.destroyAllWindows()

这段代码的功能是显示原始图像以及其分离的蓝色、绿色和红色通道的图像,并等待用户按下"q"键来关闭显示的窗口。
在这里插入图片描述

椒盐噪声的生成

from skimage import io
import numpy as npimg = io.imread('tuxian.jpg')
rows, cols, dims = img.shapefor i in range(5000):x = np.random.randint(0, rows)y = np.random.randint(0, cols)img[x, y, :] = 255io.imshow(img)
io.imsave('after.jpg',img)
io.show()

这段代码的功能是在读取的图像上随机选取5000个像素位置,并将这些位置的像素值设置为白色,然后显示修改后的图像并保存为新的图像文件。
在这里插入图片描述

中值滤波处理

img2 = io.imread('after.jpg')
denoised_image = cv2.medianBlur(img2, 3)  # 3表示核的大小,可以根据需要调整
io.imshow(denoised_image)
io.show()

使用OpenCV库(cv2)中的medianBlur()函数对图像img2进行中值滤波处理,其中参数3表示核的大小。中值滤波是一种常用的去噪方法,可以有效地去除椒盐噪声。
在这里插入图片描述

高斯模糊处理

img2 = io.imread('after.jpg')
blurred_image = cv2.GaussianBlur(img2, (5, 5), 0)
io.imshow(blurred_image)
io.show()

使用OpenCV库(cv2)中的GaussianBlur()函数对图像img2进行高斯模糊处理。函数的第一个参数是输入图像,第二个参数是高斯核的大小,这里是(5, 5),第三个参数是高斯核的标准差,这里是0。高斯模糊是一种常用的去噪方法,可以平滑图像并降低噪声。
在这里插入图片描述

图像切割

from skimage import io
img = io.imread('羊.jpg')
roi = img[382:1075,810:1755,:]
# io.imshow(img)
io.imshow(roi)
io.show()

在这里插入图片描述

使用skimage库中的io模块读取了名为"羊.jpg"的图像,并将其存储在变量img中。然后,通过切片操作,选择了图像img中指定区域的感兴趣区域(ROI),即从382行到1075行、从810列到1755列的部分图像,并将其存储在变量roi中。
接着使用io.imshow()函数显示了选定的感兴趣区域roi,并调用io.show()函数展示了这个部分图像。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/318214.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【跟马少平老师学AI】-【神经网络是怎么实现的】(八)循环神经网络

一句话归纳: 1)词向量与句子向量的循环神经网络: x(i)为词向量。h(i)为含前i个词信息的向量。h(t)为句向量。 2)循环神经网络的局部。 每个子网络都是标准的全连接神经网络。 3)对句向量增加全连接层和激活函数。 每个…

Linux专栏05:Linux基本指令之目录处理指令

博客主页:Duck Bro 博客主页系列专栏:Linux专栏关注博主,后期持续更新系列文章如果有错误感谢请大家批评指出,及时修改感谢大家点赞👍收藏⭐评论✍ Linux基本指令之目录处理指令 编号:05 文章目录 Linux基…

微软如何打造数字零售力航母系列科普04 - 微软联合Adobe在微软365应用程序中工作时推出新的生成式AI功能

微软和Adobe正在合作,将情境营销见解和工作流程引入微软Copilot,以提供生成的人工智能功能,使营销人员和营销团队能够在自然的工作流程中实现更多目标。 这些新的集成功能将在生产力和协作工具(如Outlook、Teams和Word&#xff0…

(51单片机)第十三章-STC系列51单片机功能介绍

13.1 单片机空闲与掉电模式的应用 1. 空闲模式 当单片机进入空闲模式时,除CPU处于休眠状态外,其余硬件全部处于活动状态,芯片中程序未涉及的数据存储器和特殊功能寄存器中的数据在空闲模式期间都将保持原值。假若定时器正在运行,…

《QT实用小工具·四十七》可交互的创意动态按钮

1、概述 源码放在文章末尾 该项目实现了可交互的创意动态按钮,包含如下功能: 所有颜色自定义 鼠标悬浮渐变 两种点击效果:鼠标点击渐变 / 水波纹动画(可多层波纹叠加) 额外鼠标移入/移出/按下/弹起的实时/延迟共8种事…

ctf web-部分

** web基础知识 ** *一.反序列化 在PHP中,反序列化通常是指将序列化后的字节转换回原始的PHP对象或数据结构的过程。PHP中的序列化和反序列化通过serialize()和unserialize()函数实现。 1.序列化serialize() 序列化说通俗点就是把一个对象变成可以传输的字符串…

Unity3d 学习之按钮绑定事件

创建测试脚本 using System.Collections; using System.Collections.Generic; using UnityEngine; using UnityEngine.UI;public class myTest : MonoBehaviour {// Start is called before the first frame updatepublic Button _codeBindBtn null;void Start(){if (_codeBi…

数字旅游以科技创新为动力:推动旅游服务的智能化、网络化和个性化发展,满足游客日益增长的多元化、个性化需求

目录 一、引言 二、科技创新推动旅游服务智能化发展 1、智能化技术的引入与应用 2、智能化提升旅游服务效率与质量 三、科技创新推动旅游服务网络化发展 1、网络化平台的构建与运营 2、网络化拓宽旅游服务渠道与范围 四、科技创新推动旅游服务个性化发展 1、个性化需求…

Golang | Leetcode Golang题解之第63题不同路径II

题目&#xff1a; 题解&#xff1a; func uniquePathsWithObstacles(obstacleGrid [][]int) int {n, m : len(obstacleGrid), len(obstacleGrid[0])f : make([]int, m)if obstacleGrid[0][0] 0 {f[0] 1}for i : 0; i < n; i {for j : 0; j < m; j {if obstacleGrid[i]…

node应用部署运行案例

生产环境: 系统&#xff1a;linux centos 7.9 node版本&#xff1a;v16.14.0 npm版本:8.3.1 node应用程序结构 [rootRainYun-Q7c3pCXM wiki]# dir assets config.yml data LICENSE node_modules nohup.out output.log package.json server wiki.log [rootRainYun-Q7c…

华为Pura70发布,供应链公司进入静默保密期

保密措施&#xff1a;与华为Pura70发布相关的供应链公司在产品发布前后处于静默保密期。这可能是由于华为对于手机供应链的一些信息处于保密状态&#xff0c;尤其是关于麒麟芯片的代工厂商等敏感信息。这种保密措施有助于保持产品的神秘感&#xff0c;调动用户的好奇心&#xf…

Rust Turbofish 的由来

0x01 什么是 Turbofish 我们运行如下 Rust Snippet&#xff1a; fn main() {let numbers: Vec<i32> vec![1, 2, 3, 4, 5, 6, 7, 8, 9, 10];let even_numbers numbers.into_iter().filter(|n| n % 2 0).collect();println!("{:?}", even_numbers); }不出意…

react 学习笔记二:ref、状态、继承

基础知识 1、ref 创建变量时&#xff0c;需要运用到username React.createRef()&#xff0c;并将其绑定到对应的节点。在使用时需要获取当前的节点&#xff1b; 注意&#xff1a;vue直接使用里面的值&#xff0c;不需要再用this。 2、状态 组件描述某种显示情况的数据&#…

RAG 的是与非、Rewrite 和 Rerank

有时候,我觉得人类还真是种擅长画地为牢的动物,因为突然发现,当人们以文化/理念的名义形成团体/圈子的时候,其结局都不可避免地走向了筛选和区分的道路。或许,大家都不约而同地笃信,在成年人的世界里,那条不成文的社交潜规则——“只筛选不教育,只选择不改变”。与千百…

踏上R语言之旅:解锁数据世界的神秘密码(三)

多元相关与回归分析及R使用 文章目录 多元相关与回归分析及R使用一.变量间的关系分析1.两变量线性相关系数的计算2.相关系数的假设检验 二.一元线性回归分析的R计算三、回归系数的假设检验总结 一.变量间的关系分析 变量间的关系及分析方法如下&#xff1a; 1.两变量线性相关…

【跟马少平老师学AI】-【神经网络是怎么实现的】(五)梯度消失问题

一句话归纳&#xff1a; 1&#xff09;用sigmoid激活函数时&#xff0c;BP算法更新公式为&#xff1a; 用sigmoid函数&#xff0c;O取值为0~1&#xff0c;O(1-O)最大值为0.25&#xff0c;若神经网络层数多&#xff0c;则会造成更新项趋近于0&#xff0c;称为梯度消失。 2&#…

《ElementPlus 与 ElementUI 差异集合》el-dialog 显示属性有差异

ElementPlus 用属性 v-model ElementUI 用属性 visible 其实也是 Vue2/Vue3 的差异&#xff1a;v-model 指令在组件上的使用已经被重新设计&#xff0c;替换掉了 v-bind.sync

基于Springboot+Vue的Java项目-入校申报审批系统开发实战(附演示视频+源码+LW)

大家好&#xff01;我是程序员一帆&#xff0c;感谢您阅读本文&#xff0c;欢迎一键三连哦。 &#x1f49e;当前专栏&#xff1a;Java毕业设计 精彩专栏推荐&#x1f447;&#x1f3fb;&#x1f447;&#x1f3fb;&#x1f447;&#x1f3fb; &#x1f380; Python毕业设计 &am…

Python面试十问

一、深浅拷贝的区别&#xff1f; 浅拷⻉&#xff1a; 拷⻉的是对象的引⽤&#xff0c;如果原对象改变&#xff0c;相应的拷⻉对象也会发⽣改变。 深拷⻉&#xff1a; 拷⻉对象中的每个元素&#xff0c;拷⻉对象和原有对象不在有关系&#xff0c;两个是独⽴的对象。 浅拷⻉(c…

【Java从入门到精通】Java 正则表达式

目录 正则表达式实例 &#x1f349;java.util.regex 包 &#x1f349;实例 &#x1f349;捕获组 &#x1f349;实例 &#x1f349;RegexMatches.java 文件代码&#xff1a; &#x1f349;正则表达式语法 &#x1f349;Matcher 类的方法 &#x1f349;索引方法 &#…