一、Python数据分析中的Numpy图像处理实操!
在Python数据分析中，Numpy库常用于图像处理，结合matplotlib.pyplot工具实现。图像实质上是三维数组，以RGB三个通道表示颜色，每个通道对应图片的高度、宽度，0-255的值范围代表从黑色到白色的变化。
首先，我们可以通过In[2]读取并显示图像。例如，通过In[62]可以创建并显示纯色图像，而In[23]则演示了如何将图像转换为灰度图，其计算公式基于亮度变换L=R*299/1000+G*587/1000+B*114/1000，灰度图显示时设置cmap="gray"参数。
彩色图像则由RGB三个通道独立显示，如In[68]提取并显示单通道图像。图像操作包括重复、镜像对称、旋转等，如In[74]和In[91]所示。颜色转换则涉及将图像颜色通道相互替换，如In[100]所示。
二、如何利用python进行数据分析
利用Python进行数据分析的方法如下：
一、明确目标
在进行数据分析之前，首先需要明确分析的目的和目标。这有助于确定所需的数据集和所需的工具。
二、获取数据
Python提供了多种库，如pandas，可以从各种来源获取数据。这些来源可以是CSV文件、数据库、API等。使用pandas库可以轻松读取和处理这些数据。例如，使用pandas的read_csv函数可以轻松读取CSV文件中的数据。
三、数据预处理
数据分析前的关键步骤是数据预处理。在这个阶段，可能需要处理缺失值、异常值，进行数据的清洗和转换等。Python中的pandas和numpy库提供了强大的数据处理功能，可以方便地进行数据预处理。
四、数据分析
在数据预处理之后，可以使用Python的各种库进行数据分析。例如，使用matplotlib进行可视化，使用seaborn进行统计图形分析，使用sklearn进行机器学习等。这些库提供了丰富的API和工具，可以帮助我们进行各种复杂的数据分析工作。
五、结果展示与报告
完成数据分析后，需要将结果以可视化的方式呈现出来。Python中的matplotlib和seaborn等库可以帮助我们生成各种图表和报告。此外，还可以使用JupyterNotebook等工具来展示和分析结果。
举个例子，假设我们要分析一个电商平台的销售数据。我们可以首先使用pandas从数据库中获取数据，然后进行数据预处理，处理缺失值和异常值。接着，我们可以使用matplotlib和seaborn来分析销售数据的趋势和模式，比如哪些产品的销售额较高，哪些地区的销售较好等。最后，我们可以生成报告并展示我们的分析结果。在整个过程中，Python的各种库和工具为我们提供了强大的支持，使数据分析变得简单高效。
Python图像处理丨认识图像锐化和边缘提取的4个算子
2022-09-0810:13·华为云开发者联盟
本文分享自华为云社区《[Python图像处理]十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算-云社区-华为云》，作者：eastmount。由于收集图像数据的器件或传输数图像的通道的存在一些质量缺陷，文物图像时间久远，或者受一些其他外界因素、动态不稳定抓取图像的影响，使得图像存在模糊和有噪声的情况，从而影响到图像识别工作的开展。这时需要开展图像锐化和边缘检测处理，加强原图像的高频部分，锐化突出图像的边缘细节，改善图像的对比度，使模糊的图像变得更清晰。图像锐化和边缘提取技术可以消除图像中的噪声，提取图像信息中用来表征图像的一些变量，为图像识别提供基础。通常使用灰度差分法对图像的边缘、轮廓进行处理，将其凸显。本文分别采用Laplacian算子、Robert算子、Prewitt算子和Sobel算子进行图像锐化边缘处理实验。本文主要讲解灰度线性变换，基础性知识希望对您有所帮助。一.Roberts算子二.Prewitt算子三.Sobel算子四.Laplacian算子五.总结代码该系列在github所有源代码：https://github.com/eastmountyxz/ImageProcessing-Python一.Roberts算子Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。Roberts算子的模板分为水平方向和垂直方向，如公式（11.7）所示，从其模板可以看出，Roberts算子能较好的增强正负45度的图像边缘。详细计算公式如下所示：（PS-下图参考自己的书和论文）在Python中，Roberts算子主要通过Numpy定义模板，再调用OpenCV的filter2D()函数实现边缘提取。该函数主要是利用内核实现对图像的卷积运算，其函数原型如下所示：dst=filter2D(src，ddepth，kernel[，dst[，anchor[，delta[，borderType]]]])src表示输入图像dst表示输出的边缘图，其大小和通道数与输入图像相同ddepth表示目标图像所需的深度kernel表示卷积核，一个单通道浮点型矩阵anchor表示内核的基准点，其默认值为（-1，-1），位于中心位置delta表示在储存目标图像前可选的添加到像素的值，默认值为0borderType表示边框模式Python实现代码如下所示：#-*-coding:utf-8-*-importcv2importnumpyasnpimportmatplotlib.pyplotasplt#读取图像img=cv2.imread('lena.png')lenna_img=cv2.cvtColor(img，cv2.COLOR_BGR2RGB)#灰度化处理图像grayImage=cv2.cvtColor(img，cv2.COLOR_BGR2GRAY)#Roberts算子kernelx=np.array([[-1，0]，[0，1]]，dtype=int)kernely=np.array([[0，-1]，[1，0]]，dtype=int)x=cv2.filter2D(grayImage，cv2.CV_16S，kernelx)y=cv2.filter2D(grayImage，cv2.CV_16S，kernely)#转uint8absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Roberts=cv2.addWeighted(absX，0.5，absY，0.5，0)#用来正常显示中文标签plt.rcParams['font.sans-serif']=['SimHei']#显示图形titles=[u'原始图像'，u'Roberts算子']images=[lenna_img，Roberts]foriinxrange(2):plt.subplot(1，2，i+1)，plt.imshow(images[i]，'gray')plt.title(titles[i])plt.xticks([])，plt.yticks([])plt.show()运行结果如下图所示：二.Prewitt算子Prewitt是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。由于Prewitt算子采用33模板对区域内的像素值进行计算，而Robert算子的模板为22，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像，其计算公式如下所示。在Python中，Prewitt算子的实现过程与Roberts算子比较相似。通过Numpy定义模板，再调用OpenCV的filter2D()函数实现对图像的卷积运算，最终通过convertScaleAbs()和addWeighted()函数实现边缘提取，代码如下所示：#-*-coding:utf-8-*-importcv2importnumpyasnpimportmatplotlib.pyplotasplt#读取图像img=cv2.imread('lena.png')lenna_img=cv2.cvtColor(img，cv2.COLOR_BGR2RGB)#灰度化处理图像grayImage=cv2.cvtColor(img，cv2.COLOR_BGR2GRAY)#Prewitt算子kernelx=np.array([[1，1，1]，[0，0，0]，[-1，-1，-1]]，dtype=int)kernely=np.array([[-1，0，1]，[-1，0，1]，[-1，0，1]]，dtype=int)x=cv2.filter2D(grayImage，cv2.CV_16S，kernelx)y=cv2.filter2D(grayImage，cv2.CV_16S，kernely)#转uint8absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Prewitt=cv2.addWeighted(absX，0.5，absY，0.5，0)#用来正常显示中文标签plt.rcParams['font.sans-serif']=['SimHei']#显示图形titles=[u'原始图像'，u'Prewitt算子']images=[lenna_img，Prewitt]foriinxrange(2):plt.subplot(1，2，i+1)，plt.imshow(images[i]，'gray')plt.title(titles[i])plt.xticks([])，plt.yticks([])plt.show()输出结果如下图所示，左边为原始图像，右边为Prewitt算子图像锐化提取的边缘轮廓，其效果图的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。三.Sobel算子Sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。该算子用于计算图像明暗程度近似值，根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。Sobel算子的边缘定位更准确，常用于噪声较多、灰度渐变的图像。其算法模板如公式所示，其中dx表示水平方向，dy表示垂直方向。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。dst=Sobel(src，ddepth，dx，dy[，dst[，ksize[，scale[，delta[，borderType]]]]])src表示输入图像dst表示输出的边缘图，其大小和通道数与输入图像相同ddepth表示目标图像所需的深度，针对不同的输入图像，输出目标图像有不同的深度dx表示x方向上的差分阶数，取值1或0dy表示y方向上的差分阶数，取值1或0ksize表示Sobel算子的大小，其值必须是正数和奇数scale表示缩放导数的比例常数，默认情况下没有伸缩系数delta表示将结果存入目标图像之前，添加到结果中的可选增量值borderType表示边框模式，更多详细信息查阅BorderTypes注意，在进行Sobel算子处理之后，还需要调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图进行显示。其算法原型如下：dst=convertScaleAbs(src[，dst[，alpha[，beta]]])src表示原数组dst表示输出数组，深度为8位alpha表示比例因子beta表示原数组元素按比例缩放后添加的值Sobel算子的实现代码如下所示：#-*-coding:utf-8-*-importcv2importnumpyasnpimportmatplotlib.pyplotasplt#读取图像img=cv2.imread('lena.png')lenna_img=cv2.cvtColor(img，cv2.COLOR_BGR2RGB)#灰度化处理图像grayImage=cv2.cvtColor(img，cv2.COLOR_BGR2GRAY)#Sobel算子x=cv2.Sobel(grayImage，cv2.CV_16S，1，0)#对x求一阶导y=cv2.Sobel(grayImage，cv2.CV_16S，0，1)#对y求一阶导absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Sobel=cv2.addWeighted(absX，0.5，absY，0.5，0)#用来正常显示中文标签plt.rcParams['font.sans-serif']=['SimHei']#显示图形titles=[u'原始图像'，u'Sobel算子']images=[lenna_img，Sobel]foriinxrange(2):plt.subplot(1，2，i+1)，plt.imshow(images[i]，'gray')plt.title(titles[i])plt.xticks([])，plt.yticks([])plt.show()最终输出结果如下图所示：四.Laplacian算子拉普拉斯（Laplacian）算子是n维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。它通过灰度差分计算邻域内的像素，基本流程是：判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作。在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系，最后通过梯度运算的结果对像素灰度进行调整。Laplacian算子分为四邻域和八邻域，四邻域是对邻域中心像素的四方向求梯度，八邻域是对八方向求梯度。其中，四邻域模板如公式所示：通过模板可以发现，当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。Laplacian算子的八邻域模板如下：Python和OpenCV将Laplacian算子封装在Laplacian()函数中，其函数原型如下所示：dst=Laplacian(src，ddepth[，dst[，ksize[，scale[，delta[，borderType]]]]])src表示输入图像dst表示输出的边缘图，其大小和通道数与输入图像相同ddepth表示目标图像所需的深度ksize表示用于计算二阶导数的滤波器的孔径大小，其值必须是正数和奇数，且默认值为1，更多详细信息查阅getDerivKernelsscale表示计算拉普拉斯算子值的可选比例因子。默认值为1，更多详细信息查阅getDerivKernelsdelta表示将结果存入目标图像之前，添加到结果中的可选增量值，默认值为0borderType表示边框模式，更多详细信息查阅BorderTypes注意，Laplacian算子其实主要是利用Sobel算子的运算，通过加上Sobel算子运算出的图像x方向和y方向上的导数，得到输入图像的图像锐化结果。同时，在进行Laplacian算子处理之后，还需要调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图进行显示。当ksize=1时，Laplacian()函数采用3×3的孔径（四邻域模板）进行变换处理。下面的代码是采用ksize=3的Laplacian算子进行图像锐化处理，其代码如下：#-*-coding:utf-8-*-importcv2importnumpyasnpimportmatplotlib.pyplotasplt#读取图像img=cv2.imread('lena.png')lenna_img=cv2.cvtColor(img，cv2.COLOR_BGR2RGB)#灰度化处理图像grayImage=cv2.cvtColor(img，cv2.COLOR_BGR2GRAY)#拉普拉斯算法dst=cv2.Laplacian(grayImage，cv2.CV_16S，ksize=3)Laplacian=cv2.convertScaleAbs(dst)#用来正常显示中文标签plt.rcParams['font.sans-serif']=['SimHei']#显示图形titles=[u'原始图像'，u'Laplacian算子']images=[lenna_img，Laplacian]foriinxrange(2):plt.subplot(1，2，i+1)，plt.imshow(images[i]，'gray')plt.title(titles[i])plt.xticks([])，plt.yticks([])plt.show()最终输出结果如下图所示：五.总结代码边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此需要采用滤波器来过滤噪声，并调用图像增强或阈值化算法进行处理，最后再进行边缘检测。下面是采用高斯滤波去噪和阈值化处理之后，再进行边缘检测的过程，并对比了四种常见的边缘提取算法。#-*-coding:utf-8-*-importcv2importnumpyasnpimportmatplotlib.pyplotasplt#读取图像img=cv2.imread('lena.png')lenna_img=cv2.cvtColor(img，cv2.COLOR_BGR2RGB)#灰度化处理图像grayImage=cv2.cvtColor(img，cv2.COLOR_BGR2GRAY)#高斯滤波gaussianBlur=cv2.GaussianBlur(grayImage，(3，3)，0)#阈值处理ret，binary=cv2.threshold(gaussianBlur，127，255，cv2.THRESH_BINARY)#Roberts算子kernelx=np.array([[-1，0]，[0，1]]，dtype=int)kernely=np.array([[0，-1]，[1，0]]，dtype=int)x=cv2.filter2D(binary，cv2.CV_16S，kernelx)y=cv2.filter2D(binary，cv2.CV_16S，kernely)absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Roberts=cv2.addWeighted(absX，0.5，absY，0.5，0)#Prewitt算子kernelx=np.array([[1，1，1]，[0，0，0]，[-1，-1，-1]]，dtype=int)kernely=np.array([[-1，0，1]，[-1，0，1]，[-1，0，1]]，dtype=int)x=cv2.filter2D(binary，cv2.CV_16S，kernelx)y=cv2.filter2D(binary，cv2.CV_16S，kernely)absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Prewitt=cv2.addWeighted(absX，0.5，absY，0.5，0)#Sobel算子x=cv2.Sobel(binary，cv2.CV_16S，1，0)y=cv2.Sobel(binary，cv2.CV_16S，0，1)absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Sobel=cv2.addWeighted(absX，0.5，absY，0.5，0)#拉普拉斯算法dst=cv2.Laplacian(binary，cv2.CV_16S，ksize=3)Laplacian=cv2.convertScaleAbs(dst)#效果图titles=['SourceImage'，'BinaryImage'，'RobertsImage'，'PrewittImage'，'SobelImage'，'LaplacianImage']images=[lenna_img，binary，Roberts，Prewitt，Sobel，Laplacian]foriinnp.arange(6):plt.subplot(2，3，i+1)，plt.imshow(images[i]，'gray')plt.title(titles[i])plt.xticks([])，plt.yticks([])plt.show()输出结果如图所示。其中，Laplacian算子对噪声比较敏感，由于其算法可能会出现双像素边界，常用来判断边缘像素位于图像的明区或暗区，很少用于边缘检测；Robert算子对陡峭的低噪声图像效果较好，尤其是边缘正负45度较多的图像，但定位准确率较差；Prewitt算子对灰度渐变的图像边缘提取效果较好，而没有考虑相邻点的距离远近对当前像素点的影响；Sobel算子考虑了综合因素，对噪声较多的图像处理效果更好。参考文献：杨秀璋等.基于苗族服饰的图像锐化和边缘提取技术研究[J].现代计算机，2018(10).《数字图像处理》（第3版），冈萨雷斯著，阮秋琦译，电子工业出版社，2013年.《数字图像处理学》（第3版），阮秋琦，电子工业出版社，2008年，北京.《OpenCV3编程入门》，毛星云，冷雪飞，电子工业出版社，2015.[数字图像处理]七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解点击下方，第一时间了解华为云新鲜技术~华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云
