Dieser Artikel wurde im Rahmen der Data Science Blogathon
Einführung
Die digitale Bildverarbeitung besteht aus den verschiedenen Techniken und Methoden, die bei der Manipulation von Bildern auf einem Computer verwendet werden.. An Bildern werden verschiedene Arten von Operationen ausgeführt, die digitale Bildverarbeitung darstellen.
Verstehe was ein Bild wirklich ist?
Das Bild ist im Grunde ein zweidimensionales Signal. Die Signalfunktion ist f (x, Ja), wobei der Wert von x und y an einem Punkt das Pixel an dem Punkt erzeugt. Das Bild ist im Grunde ein zweidimensionales Array, bestehend aus Zahlen zwischen 0 Ja 255.
Bei der Bildverarbeitung spielen verschiedene Faktoren eine Rolle. Bildbearbeitung hat einige Hauptgründe.
Hilfe zur Bildverarbeitung unter:
1. Verbesserung der bei uns gespeicherten digitalen Informationen.
2. Automatisieren der Arbeit mit Bildern.
3. Bessere Bildoptimierung für effiziente Speicherung und Übertragung.
Über die Jahre, Die Bildverarbeitung hat sich stark verbessert und es gibt viele moderne kommerzielle Bildverarbeitungsanwendungen.
Bildverarbeitungsanwendungen:
1. Bildkorrektur, nitidez y corrección de AuflösungDas "Auflösung" bezieht sich auf die Fähigkeit, feste Entscheidungen zu treffen und gesetzte Ziele zu erreichen. Im persönlichen und beruflichen Kontext, Dabei geht es darum, klare Ziele zu definieren und einen Aktionsplan zu entwickeln, um diese zu erreichen. Entschlossenheit ist entscheidend für persönliches Wachstum und Erfolg in verschiedenen Lebensbereichen, denn es ermöglicht Ihnen, Hindernisse zu überwinden und sich auf das zu konzentrieren, was wirklich wichtig ist....
Häufig, wir wünschten wir könnten alte bilder verbessern. Und das ist heute möglich. Zoomen, die Schärfe, Kantenerkennung und Bearbeitungen mit hohem Dynamikbereich sind in dieser Kategorie enthalten. All diese Schritte helfen, das Image zu verbessern. Die meisten Bearbeitungsprogramme und Bildkorrekturcodes können diese Dinge leicht tun..
2. Filter in der Ausgabe von Anwendungen und sozialen Netzwerken
Die meisten Bearbeitungs-Apps und Social-Media-Apps bieten heutzutage Filter an.
Oben ist ein Beispiel für das Originalbild und das durchgesickerte Bild. Filter lassen das Bild optisch ansprechender aussehen. Filter sind normalerweise eine Reihe von Funktionen, die die Farben und andere Aspekte eines Bildes ändern, die das Bild anders aussehen lassen.. Filter sind eine interessante Anwendung der Bildverarbeitung.
3. Medizinische Technologie:
Im Bereich Medizin, Bildverarbeitung wird für verschiedene Aufgaben verwendet, als Positronen-Emissions-Tomographie, Röntgenbildgebung, medizinischer CT-Scan, UV-Bilder, Bildgebung von Krebszellen und vieles mehr. Die Einführung der Bildverarbeitung in der Medizintechnik hat den Diagnoseprozess enorm verbessert.
(Bildquelle: https://axisimagingnews.com/radiology-products/imaging-equipment/x-ray/image-processing-software-mimics-grid-use-improve-image-quality)
Das Bild links ist das Originalbild. Das Bild rechts ist das verarbeitete Bild. Wir sehen, dass das bearbeitete Bild viel besser ist und für eine bessere Diagnose verwendet werden kann.
4. Computer Vision / Maschine:
Eine der interessantesten und nützlichsten Anwendungen der Bildverarbeitung ist Computer Vision. Computer Vision wird verwendet, um den Computer sehen zu lassen, Dinge identifizieren und die gesamte Umgebung als Ganzes verarbeiten. Eine wichtige Anwendung von Computer Vision ist das Autofahren, Drohnen, etc. Lebenslauf hilft beim Erkennen von Hindernissen, Wege erkennen und die Umgebung verstehen.
(Quelle: Pariser Straßen in den Augen von Teslas Autopilot https://youtu.be/_1MHGUC_BzQ)
So funktioniert typisches Computer Vision für Auto-Autopiloten. Der Computer nimmt Live-Bilder auf und analysiert andere Autos, die Straße und andere Hindernisse.
5. Mustererkennung:
Mustererkennung ist ein Teil der Bildverarbeitung, die künstliche Intelligenz und maschinelles Lernen umfasst. Bildverarbeitung wird verwendet, um verschiedene Muster und Erscheinungen in Bildern zu entdecken. Mustererkennung wird zur Handschriftanalyse verwendet, Bilderkennung, computergestützte medizinische Diagnose und vieles mehr.
6. Videoverarbeitung:
Video sind im Grunde schnelle bewegte Bilder. Bei der Videobearbeitung kommen verschiedene Bildverarbeitungstechniken zum Einsatz. Einige Videoverarbeitungsmethoden sind Rauschunterdrückung, Bildstabilisierung, Bildratenkonvertierung, Detailverbesserung und vieles mehr.
Erste Schritte mit der Bildverarbeitung in Python:
Beginnen wir mit einigen grundlegenden bildbezogenen Aufgaben in Python. Wir werden PIL . verwenden.
Python Image Library wird für verschiedene Bildverarbeitungsaufgaben verwendet.
Installation:
Pip installieren Kissen
Mit installiertem PIL, Jetzt können wir zum Code übergehen.
Zuerst, trabajamos con algunas funciones de matplotlibFunktionen sind mathematische Beziehungen, die jedem Element einer Menge zugewiesen werden, Domäne mit dem Namen, ein einzelnes Element aus einem anderen Set, Codomain genannt. Sie werden üblicherweise dargestellt als ( F(x) ), wo ( F ) ist die Funktion und ( x ) Es ist der Wert der Domain. Funktionen sind in verschiedenen Bereichen der Mathematik und deren Anwendungen grundlegend, Phänomene modellieren und Probleme in der Wissenschaft lösen, Ingenieur- und Wirtschaftswissenschaften.....
import matplotlib.image als img import matplotlib.pyplot als plt numpy als np importieren %matplotlib inline
Das folgende Bild wird gelesen. Es heißt image1.jpg.
# jpg-Bild lesen
img = img.imread('image1.jpg')
plt.imshow(img)
Das Bild wird gelesen.
# Ändern der Form des Bildes lum1 = img[:, :, 0] plt.imshow(lum1)
Jetzt wird die Form des Bildes geändert.
Jetzt ändern wir es in die Farbkarte “heiße”. Um mehr über die Farbkarte zu erfahren, Besuche ist Verknüpfung.
plt.imshow(lum1, cmap ='heiß') plt.colorbar()
Bildausgabe sieht aus:
Jetzt probieren wir eine andere Colormap aus.
imgplot = plt.imshow(lum1)
imgplot.set_cmap('nipy_spektral')Bildausgabe:
Der Grund für die Verwendung von Colormaps ist, dass, oft in verschiedenen Anwendungen und Verwendungen, Es ist nützlich, eine einheitliche Farbkarte zu haben. Lesen Sie mehr über Farbkarten: Wählen Sie Farbkarten in Matplotlib.
Schauen wir uns nun an, warum wir ein Bild eine 2D-Matrix nennen.
#Datentyp von lum1 drucken(Typ(lum1))
Abfahrt:
drucken(lum1)
[[ 92 91 89 … 169 168 169]
[110 110 110 … 168 166 167]
[100 103 108 … 164 163 164]
…
[ 97 96 95 … 144 147 147]
[ 99 99 98 … 145 139 138]
[102 102 103 … 149 137 137]]
Die Punkte sind dazu da, um zu zeigen, dass es viel mehr Datenpunkte dazwischen gibt. Aber eines ist sicher, ist, dass sie alle numerische Daten sind.
Finden wir die Größe der Matrix.
len(lum1)
Abfahrt: 320
Abfahrt: 658
Dies gibt uns die Anzahl der Pixel und die Abmessungen des Bildes: 320 * 658.
Wir werden es auch später überprüfen.
Jetzt arbeiten wir mit PIL.
aus PIL-Import Bild
Wir werden diese Bilddatei verwenden, namens: menschen.jpg.
img2 = Image.open('menschen.jpg')
plt.imshow(img2)
Das Bild wird gelesen.
Jetzt, wir ändern die größe des bildes.
img2.thumbnail((50, 50), Bild.ANTIALIAS) # ändert die Größe des Bildes an Ort und Stelle imgplot = plt.imshow(img2)
imgplot1 = plt.imshow(img2, Interpolation="nächste")
imgplot2 = plt.imshow(img2, Interpolation="bikubisch")
Aber, Warum wir Bilder in der Bildbearbeitung absichtlich unscharf machen? Gut, oft für Computer Vision und Mustererkennungsalgorithmen, Bilder werden schwer zu verarbeiten, wenn sie sehr scharf sind. Deswegen, Unschärfe wird gemacht, um Bilder weicher zu machen. Unschärfe macht auch den Farbübergang in einem Bild, Von Seite zu Seite, viel glatter sein.
Jetzt, Lassen Sie uns die Abmessungen des Autobildes überprüfen, woran wir vorher gearbeitet haben.
#noch ein paar interessante Sachen
Datei="image1.jpg"
mit Image.open(Datei) als Bild:
Breite, Höhe = Bild.Größe
#Bild breite, Höhe ist zu erhalten
Diese Maße haben wir auch. Dann können wir schließen, dass das Bild 320 * 658.
Versuchen wir auch, das Bild zu drehen und zu transponieren.
#Relativer Pfad
img3 = Image.open("image1.jpg")
#Winkel angegeben
img_rot= img3.rotate(180)
#Am gleichen relativen Ort gespeichert
img_rot.save("gedrehtes_bild.jpg")
Dies ist das gedrehte Bild.
#Bild transponieren
transposed_img = img3.transpose(Bild.FLIP_LEFT_RIGHT)
#Am gleichen relativen Ort gespeichert
transposed_img.save("transposed_img.jpg")
Dies ist das transponierte Bild.
Letzte Worte:
Bildverarbeitung hat mehrere wichtige Anwendungen und, im Laufe der Zeit, Methoden und Prozesse werden sich ebenfalls verbessern.
Über mich:
Prateek Majumder
Datenwissenschaft und Analytik | Spezialist für digitales Marketing | SEO | Inhaltserstellung
Verbinde dich mit mir auf Linkedin.
Vielen Dank.
Die in diesem Artikel über digitale Bildgebung gezeigten Medien sind nicht Eigentum von DataPeaker und werden nach Ermessen des Autors verwendet..
