對于深度學習而言，很多任務都是與數字圖形處理打交道。這類任務的資料集一般是由很多張圖像構成，有時候，當原始圖像不能直接送入模型中時，需要對其進行一定的預處理操作，這時候就不得不向大家介紹一個十分有用的軟體包OpenCV，用它處理圖像起來非常友善，OpenCV是一個基于BSD許可發行的跨平台計算機視覺庫，它輕量且高效，是由一系列C函數和少量C++類構成，支援Python、MATLAB等語言接口，内部包含了很多圖像處理的相關算法。下面将向大家介紹如何使用NumPy和OpenCV對數字圖像進行簡單的處理方法：
關于像素的一些知識
在程式世界裡，圖像輸入到計算機中時，與人眼所見的圖像的形式不太一樣。計算機将圖像存儲為類似于馬賽克的小方塊，就像古老的方塊馬賽克藝術的形式。如果方形塊太大，那麼就很難制作出光滑的邊緣和曲線。使用的方塊越小，則越平滑，或者說圖像的像素就越少，方塊的大小有時候也被稱為圖像的分辨率。
矢量圖像是存儲圖像的一些不同方法，目的是為了避免與像素相關的問題。但是，即使是矢量圖像，最終也會顯示為像素級的馬賽克。像素一詞表示圖像元素，描述每個像素的簡單方法是使用三種顔色的組合，即紅色（Red），綠色（Green），藍色（Blue），即我們平時所說的RGB圖像。
在RGB圖像中，每個像素由分别與紅色，綠色，藍色的值相關聯的三個8比特數表示。假設使用放大鏡觀察，如果我們放大圖檔，就會看到圖檔是由微小的光點或更加具體的像素組成，更有趣的是，看到的那些小光點實際上是多個微小不同顔色的小光點，且顔色隻有紅色、綠色和藍色。
假設現在從遠處觀察，建立一張圖像，可以看到一張圖像實際上由像素點值的開關決定（像素值為1表示開，像素值為0表示關），這些開關組合建立了圖像，基本上，我們每天在螢幕上看到的圖像都是這種。
每張圖像都以數字形式的像素組成，像素是構成圖檔的最小資訊機關，通常是圓形或方形，且位于二維網格中。
現在，如果RGB三個值都處于全強度，這意味着其組合值為255，該值表示為白色，如果所有三種顔色都被減弱，或者值設定為0，其值表示為黑色。反過來，三者的不同組合将為我們提供不同特定的像素顔色。由于每個數字都是8比特，是以像素值的取值範圍為0-255，從下圖可以看到，但R的強度為37.3%，G的強度為45.9%，B的強度為18.8%時，組合成的顔色為深綠（dark green）。
三種顔色的不同組合将産生不同的顔色，由于每個值可以具有256個不同的強度或亮度值，是以總共有1680萬（256 x 256 x 256）種不同組合。
圖像的基本知識介紹完畢後進入正題，以下内容将包含Numpy非常基本的圖像資料分析、還有一些Python資料包，比如imageio，matplotlib等。本系列部落格内容結構如下，先介紹前三個部分：
- 導入圖像并觀察其屬性
- 拆分圖層
- 灰階化
- 對像素值使用邏輯運算符
- 使用邏輯運算符進行掩碼
- 衛星圖像資料分析
導入圖像
下面加載圖像并觀察其各種屬性。注意，在輸入下面代碼請確定好已經安裝好對應的python資料包。
if__name__=='__main__':
importimageio
importmatplotlib.pyplotasplt
%matplotlibinline
pic=imageio.imread('F:/demo_2.jpg')
plt.figure(figsize=(15,15))
plt.imshow(pic) 觀察圖像的基本屬性
rint('Type of the image : ',type(pic))
print()
print('Shape of the image : {}'.format(pic.shape))
print('Image Hight {}'.format(pic.shape[0]))
print('Image Width {}'.format(pic.shape[1]))
print('Dimension of Image {}'.format(pic.ndim)) 其輸出
Type of the image :<class 'imageio.core.util.Image'>
Shape of the image : (562, 960, 3)
Image Hight 562
Image Width 960
Dimension of Image 3 ndarray的形狀表明它是一個三維矩陣，輸出結果的前兩個數字分别表示高度（height）和寬度（width），第三個數字（即3）表示是該圖像是三通道彩色圖：紅色、綠色和藍色。是以，如果我們計算RGB圖像的大小，則總像素大小将是
weiheigh x width x 3
。
print('Image size {}'.format(pic.size))
print('Maximum RGB value in this image {}'.format(pic.max()))
print('Minimum RGB value in this image {}'.format(pic.min()))
Image size 1618560
Maximum RGB value in this image 255
Minimum RGB value in this image 0 這些值對于驗證而言是很重要的，因為8位顔色強度不能超出0到255範圍。
使用圖檔可以配置設定變量，此外還可以通路圖像的任何特定像素值，并且還可以分别通路每個RGB通道。
pic[100, 50 ]
Image([109, 143, 46], dtype=uint8) 在這種情況下：R = 109、G = 143、 B = 46，從這個配置可以看出該像素中有很多綠色，也可以通過三個通道的索引值來從中選擇出一個。根據一般規定：
- 索引0表示紅色通道
- 索引1表示綠色通道
-
索引2表示藍色通道
但在OpenCV中，Images并不是按照RGB的順序規定，而是BGR。 imageio.imread将圖像加載為RGB（或RGBA），但OpenCV假定圖像為BGR或BGRA（BGR是OpenCVcolour的預設的式）。
print('Value of only R channel {}'.format(pic[ 100, 50, 0]))
print('Value of only G channel {}'.format(pic[ 100, 50, 1]))
print('Value of only B channel {}'.format(pic[ 100, 50, 2]))
Value of only R channel 109
Value of only G channel 143
Value of only B channel 46 現在快速檢視整個圖像中每個通道表示的圖像。
plt.title('R channel')
plt.ylabel('Height {}'.format(pic.shape[0]))
plt.xlabel('Width {}'.format(pic.shape[1]))
plt.imshow(pic[ : , : , 0])
plt.show() plt.title('G channel')
plt.ylabel('Height {}'.format(pic.shape[0]))
plt.xlabel('Width {}'.format(pic.shape[1]))
plt.imshow(pic[ : , : , 1])
plt.show() plt.title('B channel')
plt.ylabel('Height {}'.format(pic.shape[0]))
plt.xlabel('Width {}'.format(pic.shape[1]))
plt.imshow(pic[ : , : , 2])
plt.show() 下面，也可以更改RGB的數值。例如，将下面行的紅色、綠色、，藍色圖層的值全部設定為全強度，即取值為255。
- R通道：第100行到110行
- G通道：第200行到210行
-
B通道：行300行到310行
本次測試隻在一張圖像上進行綜合處理，友善我們同時檢視每個通道的值對圖像的影響。
pic =imageio.imread('F:/demo_2.jpg')
pic[50:150 , : , 0] =255# full intensity to those pixel's R channel
plt.figure( figsize= (10,10))
plt.imshow(pic)
plt.show() pic[200:300 , : , 1] =255# full intensity to those pixel's G channel
plt.figure( figsize= (10,10))
plt.imshow(pic)
plt.show() pic[350:450 , : , 2] =255# full intensity to those pixel's B channel
plt.figure( figsize= (10,10))
plt.imshow(pic)
plt.show() 為了更加清楚地對比分析，我們也改變部分列的像素值，這次測試同時更改RGB通道的值。
pic[50:450 , 400:600 , [0,1,2] ] =200
plt.figure( figsize= (10,10))
plt.imshow(pic)
plt.show() 通過以上測試，可以知道，圖像的每個像素點都是由三個整數表示。隻需要拉出圖像陣列的正确切片，就可以将圖像分割成單獨的顔色分量。
importnumpyasnp
pic=imageio.imread('F:/demo_2.jpg')
fig,ax=plt.subplots(nrows=1,ncols=3,figsize=(15,5))
forc,axinzip(range(3),ax):
# create zero matrix
split_img=np.zeros(pic.shape,dtype="uint8")# 'dtype' by default: 'numpy.float64'
# assing each channel split_img[:,:,c]=pic[:,:,c]
# display each channelax.imshow(split_img) 黑白圖像存儲在二維矩陣中，目前存在兩種類型的黑白圖像：
- 灰階：灰色陰影的範圍：0~255
-
二進制：像素為黑色或白色：0或255
灰階處理過程，就是将圖像從全彩色轉換為灰階圖。在圖像處理工具中，例如：在OpenCV中，在使用很多含住之前，需要将圖像進行灰階處理，這樣做是因為灰階處理簡化了圖像，幾乎像降噪一樣，這是因為灰階圖像中的資訊比較少。
在python中有兩種方法可以将圖像轉換為灰階。但是，更直接的方法是使用matplotlib包，該包執行的操作是擷取原始圖像的RGB值後進行權重平均。
Y' = 0.299 R + 0.587 G + 0.114 B
pic=imageio.imread('F:/demo_2.jpg')
gray=lambdargb:np.dot(rgb[...,:3],[0.299,0.587,0.114])
gray=gray(pic)
plt.figure(figsize=(10,10))
plt.imshow(gray,cmap=plt.get_cmap(name='gray'))
plt.show() 而通過GIMP将顔色轉換為灰階圖像有三種算法來完成任務：
- 亮度（Lightness）灰階等級計算為
Lightness = ½×(max(R,G,B)+ min(R,G,B))
- 照明度(Luminosity)灰階級将計算為
Luminosity= 0.21×R + 0.7×G + 0.07×B
- 平均亮度灰階級将計算為
Average Brightness=(R + G + B)÷3
下面讓我們嘗試實作一下這三個算法中的一種吧，本文選擇Luminosity。
pic=imageio.imread('F:/demo_2.jpg')
gray=lambdargb:np.dot(rgb[...,:3],[0.21,0.72,0.07])
gray=gray(pic)
plt.figure(figsize=(10,10))
plt.imshow(gray,cmap=plt.get_cmap(name='gray'))
plt.show()
print('Type of the image : ',type(gray))
print()
print('Shape of the image : {}'.format(gray.shape))
print('Image Hight {}'.format(gray.shape[0]))
print('Image Width {}'.format(gray.shape[1]))
print('Dimension of Image {}'.format(gray.ndim))
print()
print('Image size {}'.format(gray.size))
print('Maximum RGB value in this image {}'.format(gray.max()))
print('Minimum RGB value in this image {}'.format(gray.min()))
print('Random indexes [X,Y] : {}'.format(gray[100,50])) Type of the image :<class 'imageio.core.util.Image'>
Shape of the image : (562,960)
Image Height 562
Image Widht 960
Dimension of Image 2
Image size 539520
Maximum RGB value in this image 254.9999999997
Minimum RGB value in this image 0.0
Random indexes [X,Y] : 129.07 從圖中可以看到，圖像變為了灰階圖，且圖像矩陣變為了二維矩陣。
後續内容請參見“
使用Numpy和Opencv完成圖像的基本資料分析（Part II）”。
數十款阿裡雲産品限時折扣中，趕緊點選領劵開始雲上實踐吧！
作者資訊
Mohammed Innat，機器學習和資料科學研究者
本文由阿裡雲雲栖社群組織翻譯。
文章原标題《Basic Image Data Analysis Using Numpy and OpenCV – Part 1》，譯者：海棠，審校：Uncle_LLD。
文章為簡譯，更為詳細的内容，請
檢視原文