图像处理技术与应用入门
图像信息
切片
from skimage import io
# 使用 io.imread() 函数来读取图像
img = io.imread('cc.jpg')
]
roi = img[100:5000, 500:1780]
# 显示ROI区域
io.imshow(roi)
io.show() # 显示图像红色文字段定义感兴趣的区域（ROI），这里使用的是图像的左上角坐标和右下角坐标
语法是 [y_start:y_end, x_start:x_end]
输出最后一列
from skimage import io
import matplotlib.pyplot as plt
img = io.imread('cc.jpg')
roi = img[:,-1]
plt.imshow(roi)
plt.show() 
输出倒数第二行
from skimage import io
import matplotlib.pyplot as plt
img = io.imread('aa.jpg')
roi = img[-2,:]
plt.imshow(roi)
plt.show() 
对像素值进行访问和改变
一、二值化
from skimage import io, data, color
img = io.imread("dd.jpg")
img_gray = color.rgb2gray(img)
rows,cols = img_gray.shape
for i in range(rows):
for j in range(cols):
if (img_gray[i, j]<= 0.5):
img_gray[i, j]=0
else:
img_gray[i, j]=1
io.imshow(img_gray)
原图 二值化后的图像
if (img_gray[i, j]<= 0.5)::检查当前像素的灰度值是否小于或等于0.5。
img_gray[i, j]=0:如果条件为真（像素较暗），则将像素值设置为0，即黑色。
else:如果条件为假（像素较亮）。
img_gray[i, j]=1将像素值设置为1，即白色。
io.imshow(img_gray)使用io.imshow函数显示处理后的灰度图像。由于进行了阈值处理，图像现在只有两种颜色：黑色和白色，形成了一个二值图像。
二、图像归一化
1、线性归一化：将图像的像素值线性映射到[0, 1]范围内。
from skimage import io, data, color
import numpy as np
img = io.imread("dd.jpg")
normalized_img = (img - np.min(img))/(np.max(img) - np.min(img))
io.imshow(normalized_img)
print(normalized_img)
print(normalized_img. dtype.name)原图 线性归一化后图像
normalized_img = (img - np.min(img))/(np.max(img) - np.min(img))np.min(img): 使用NumPy库的min函数计算图像中所有像素的最小值。
np.max(img): 使用NumPy库的max函数计算图像中所有像素的最大值。
img - np.min(img): 从图像的每个像素值中减去图像的最小像素值。这样做的目的是将图像的最小值映射到0。
np.max(img) - np.min(img): 计算图像像素值的范围，即最大值和最小值之间的差。
(img - np.min(img))/(np.max(img) - np.min(img)): 将上一步得到的差值作为分母，将每个像素值映射到0到1之间。这样，原始图像中的最小值会变成0，最大值会变成1，而其他值会按照比例分布在0到1之间。
normalized_img: 这个变量存储了归一化后的图像。归一化后的图像可以用于各种图像处理任务，特别是那些需要输入数据在特定范围内的任务，如机器学习模型的训练
2、均值方差归一化.
from skimage import io, data, color
import numpy as np
img = io.imread("dd.jpg")
image =(img-np.min(img))/(np.max(img) - np.min(img))
io.imshow(image)
print(image)
print(image. dtype.name)原图 均值方差归一化后图像
3、直方图均衡化
原理：直方图均衡化的基本原理是找到一个变换函数，这个函数将输入图像的累积直方图映射到一个几乎平坦的直方图。这样，原始图像中频率较高的灰度级会被扩展，而频率较低的灰度级会被压缩，从而改善了图像的对比度。
这种方法特别适用于图像的背景和前景都太亮或太暗而难以区分细节的情况。直方图均衡化是一种自适应的局部增强技术，它可以独立于图像内容进行调整，因此在许多图像处理应用中非常有用，如图像增强、边缘检测和特征提取等。
from skimage import io, data, color
from skimage import exposure
img = io.imread("dd.jpg")
equalized_imags=exposure.equalize_hist(img)
io.imshow(equalized_imags)
print(equalized_imags)
print(equalized_imags. dtype.name)
原图 直方图均衡化后图像
exposure.equalize_hist: skimage.exposure模块中的一个函数，用于执行直方图均衡化。
equalized_imags: 这个变量存储了直方图均衡化后的图像。直方图均衡化过程会改变图像的像素值，使得图像的灰度级分布更加均匀，从而增强图像的对比度，特别是在图像的暗区域。
图像归一化的使用场景
计算机视觉：在计算机视觉中，图像归一化可以用于预处理图像数据，以提高分类、检测和识别算法的准确性和稳定性。
图像增强：通过归一化，我们可以增强图像的对比度、亮度和细节，使图像更加清晰和鲜明。
图像分析：在图像分析中，图像归一化可以帮助我们去除图像之间的差异，使得图像数据更易于比较和分析。
from skimage import io, data, color
img = io.imread("dd.jpg")
reddish = img[:, :, 0] > 210
img[reddish] = [0, 255, 0]
io.imshow(img)
img = io.imread("dd.jpg"): 使用io.imread函数读取磁盘上的一个名为"dd.jpg"的图像文件。这个图像将被加载为一个NumPy数组，其中包含了图像的像素数据。
reddish = img[:, :, 0] > 210: 检查图像中红色通道的值是否大于210。(适当增大或减小通道检测值可以使图像的替换面积改变。更改方括号中代表通道最后一位可以检测图像的不同通道0为红色r、1为绿色g，2为蓝色b。)
img[reddish] = [0, 255, 0]:图像中所有红色通道值大于210的像素将被替换为绿色。(您也可以适当调整rgb的值使替换的颜色不同）
io.imshow(img): 使用io.imshow函数显示处理后的图像。在这个图像中，原本红色调较高的区域现在显示为绿色。
原图 改变某个通道颜色后的图像
