Einführung
Como indica IDC, la información digital se disparará hasta 175 Zettabytes, y la inmensa parte de esta información se verá reflejada. Los científicos de datos deben (pre) medir estas imágenes antes de convertirlas en modelos de inteligencia artificial y tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit.... Necesitan hacer el trabajo importante (y a veces sucio) antes de que comience la parte agradable.
Para manejar una gran cantidad de información con eficacia y velocidad sin negociar los resultados, los científicos de datos necesitan utilizar instrumentos de preparación de imágenes para la inteligencia artificial y las tareas de aprendizaje profundo.
In diesem Artikel, profundizaré en las bibliotecas de procesamiento de imágenes más útiles en Python que se utilizan vigorosamente en tareas de inteligencia artificial y aprendizaje profundo. Dann legen wir los!
Inhaltsverzeichnis
- OpenCV
- Bild von Scikit
- Scipy
- Python-Bibliothek für Bilder (Pillow / PIL)
- Matplotlib
- SimpleITK
- Numpy
- Mahotas
OpenCV
OpenCV ist eine der bekanntesten und am häufigsten verwendeten Open-Source-Bibliotheken für Aufgaben der Computer Vision wie Bildverarbeitung, Objekterkennung, Gesichtserkennung, SegmentierungDie Segmentierung ist eine wichtige Marketingtechnik, bei der ein breiter Markt in kleinere, homogenere Gruppen unterteilt wird. Diese Praxis ermöglicht es Unternehmen, ihre Strategien und Botschaften an die spezifischen Merkmale jedes Segments anzupassen, So verbessern Sie die Effektivität Ihrer Kampagnen. Das Targeting kann auf demografischen Kriterien basieren, psychografisch, geografisch oder verhaltensbezogen, Erleichterung einer relevanteren und persönlicheren Kommunikation mit der Zielgruppe.... Anzahl von Bildern, Gesichtserkennung, und viele mehr. Abgesehen davon, kann auch für Aufgaben des maschinellen Lernens verwendet werden. Dies wurde von Intel entwickelt 2002. Es ist in C geschrieben ++ aber die Entwickler haben Links für Python und Java bereitgestellt. Es ist einfach zu lesen und zu verwenden.
Um Modelle für maschinelles Lernen und Computer Vision zu erstellen, OpenCV hat mehr als 2500+ Algorithmen. Diese Algorithmen sind sehr nützlich, um verschiedene Aufgaben wie Gesichtserkennung, Objekterkennung und vieles mehr durchzuführen. Sehen wir uns einige Beispiele an, die wir mit OpenCV durchführen können:
Graustufen
La escala de grises es un método para convertir una imagen de 3 Kanäle, zum Beispiel, RGB, HSV, etc., en una imagen de un solo canal, nämlich, en tonos de gris. La imagen final varía entre blanco y negro completo. La importancia de la escala de grises incluye la reducción de dimensiones (convertir 3 canales en una imagen de un solo canal), reducir la complejidad del modelo, etc.
Debajo del código, el fragmento muestra la escala de grises en OpenCV
import cv2 as cv img = cv.imread('example.jpg') cv.imshow('Original', img) cv.waitKey() #Use cvtColor, to convert to grayscale gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY) cv.imshow('Grayscale', gray_img) cv.waitKey(0)
Rotar imagen
OpenCV ayuda a rotar la imagen en cualquier rango de grados de 0 ein 360 Grad.
Verifique el siguiente código para rotar la imagen 180 Grad.
import cv2 as cv import matplotlib.pyplot as plt img = cv.imread('example.jpg') h, w = image.shape[:2] rot_matrix = cv.getRotationMatrix2D((w/2,h/2), -180, 0.5) rot_image = cv.warpAffine(img, rot_matrix, (w, h)) plt.imshow(cv.cvtColor(rot_image, cv.COLOR_BGR2RGB))
OpenCV bietet neben den bisher besprochenen Funktionen noch weitere Leistungen. Abgesehen davon, es hilft auch bei der Gesichtserkennung, Bildsegmentierung, Merkmalsextraktion, Objekterkennung, 3D-Rekonstruktion und vieles mehr.
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Bild von Scikit
Scikit-Image ist eine weitere großartige Open-Source-Bildverarbeitungsbibliothek. Es ist in fast jeder Aufgabe der maschinellen Vision nützlich.. Es ist eine der einfachsten und unkompliziertesten Bibliotheken. Einige Teile dieser Bibliothek sind in Cython geschrieben (es ist eine Obermenge der Programmiersprache Python, die Python wie die Sprache C schneller macht). Es stellt eine große Anzahl von Algorithmen zur Verfügung, einschließlich Segmentierung, manipulación del espacio de color, transformación geométrica, ausgefiltert, morfología, detección de características y muchos más.
Scikit Image utiliza matrices Numpy como objetos de imagen. Veamos cómo podemos realizar una operación de contorno activa en la imagen de scikit. El contorno activo describe los límites de las formas en una imagen.
Verifique el siguiente código para la operación de contorno activa:
import numpy as np import matplotlib.pyplot as plt from skimage.color import rgb2gray from skimage import data from skimage.filters import gaussian from skimage.segmentation import active_contour image = data.astronaut() # Data for circular boundary s = np.linspace(0, 2*np.pi, 400) x = 220 + 100*np.cos(S) y = 100 + 100*Auf keinen Fall(S) init = np.array([x, Ja]).T # formation of the active contour centre = active_contour(gaussian(Bild, 3),drin, alpha=0.015, beta=10, gamma=0.001) Abbildung, Achse = plt.subplots(1, 2, Feigengröße=(7, 7)) ax[0].imshow(Bild, cmap=plt.cm.gray) ax[0].set_title("Original Bild") ax[1].imshow(Bild, cmap=plt.cm.gray)
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Wissenschaft
SciPy wird hauptsächlich für mathematische und wissenschaftliche Berechnungen verwendet, aber manchmal kann es auch für grundlegende Aufgaben der Bildbearbeitung und -verarbeitung mit dem Untermodul scipy.ndimageAm Ende des Tages, Bilder sind nur mehrdimensionale Arrays, SciPy stellt eine Reihe von Funktionen zur Verfügung, die verwendet werden, um Operationen auf n-dimensionalen Numpy-Arrays durchzuführen. SciPy bietet einige grundlegende Bildverarbeitungsoperationen, wie Gesichtserkennung, Faltung, Bildsegmentierung, Bildlesung, Merkmalsextraktion, und viele mehr. zusammen mit, es führt auch Filterungen durch, zeichnet Konturlinien auf Bildern.
Überprüfen Sie den folgenden Code, um ein Bild mit SciPy unscharf zu machen:
from scipy import ndimage, misc
from matplotlib import pyplot as plt
f = misc.face()
b_face = ndimage.gaussian_filter(F, sigma=3)
Abbildung, Achse = plt.subplots(1, 2, Feigengröße=(16, 8))
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Python-Bibliothek für Bilder (PIL / Pillow)
Es una biblioteca de Python de código abierto que se utiliza para tareas de procesamiento de imágenes. Proporciona funcionalidades especiales que generalmente no son proporcionadas por otras bibliotecas. como filtrar, abrir, manipular y guardar imágenes. Esta biblioteca admite una amplia gama de formatos de archivo, lo que la hace más eficiente. PIL también admite funciones como procesamiento de imágenes, visualización de imágenes y archivos de imágenes. Veamos Mejora de la imagen usando PIL / Pillow.
Cambiar la nitidez de una imagen:
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Matplotlib
Matplotlib se usa principalmente para visualizaciones 2D como diagramas de dispersión, Balkendiagramme, HistogrammeHistogramme sind grafische Darstellungen, die die Verteilung eines Datensatzes darstellen. Sie werden konstruiert, indem der Wertebereich in Intervalle unterteilt wird, Ö "Behälter", und zählen, wie viele Daten in jedem Intervall fallen. Diese Visualisierung ermöglicht es Ihnen, Muster zu erkennen, Trends und Variabilität von Daten effektiv, Erleichterung statistischer Analysen und fundierter Entscheidungsfindung in verschiedenen Disziplinen.... und viele mehr, aber wir können es auch für die Bildverarbeitung verwenden. ichEs ist effektiv, um Informationen aus einem Bild zu erhalten.. Es wird nicht von allen Dateiformaten unterstützt.
Überprüfen Sie das folgende Bild nach dem Hintergrundfarbwechsel:
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
SimpleITK
Es wird auch genannt Toolkit für Registrierung und Segmentierung von Wissen. Es ist eine Open-Source-Bibliothek, die für die Bildregistrierung und Bildsegmentierung verwendet wird. Bibliotheken wie OpenCV betrachten das Bild als Matrix, aber diese Bibliothek betrachtet Bilder als Menge von Punkten in einem Raumgebiet. Überprüfen Sie das folgende Beispiel:
Bildsegmentierung
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Numpy
Es una biblioteca de Python de código abierto que se utiliza para análisis numérico. Contiene una matriz y arreglos multidimensionales como estructuras de datos. Pero NumPy también puede usar para tareas de procesamiento de imágenes como recorte de imágenes, manipulación de píxeles y enmascaramiento de valores de píxeles.
Verifique la siguiente imagen para extraer los canales verde / rot / azul de la imagen:
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Mahotas
Es otra biblioteca de Python de código abierto para visión por computadora y procesamiento de imágenes. Fue diseñado para informática biométrica. Proporciona muchos algoritmos que están escritos en C ++ para mayor velocidad con una buena interfaz de Python. Lee y escribe imágenes en matrices NumPy.
Verifique la siguiente imagen para la coincidencia de plantillas usando Mahotas:
Für mehr Informationen, konsultieren Sie die offizielle Dokumentation: Verknüpfung
Fazit
Dann, In diesem Artikel, wir haben die abgedeckt 8 principales bibliotecas de procesamiento de imágenes en Python para el aprendizaje automático en 2021. Ich hoffe, Sie lernen etwas aus diesem Blog und es wird besser für Ihr Projekt. Danke fürs Lesen und deine Geduld. Viel Glück!
Sie können meine Artikel hier einsehen: Artikel
Vielen Dank für das Lesen dieses Artikels über Python-Bibliotheken zur Bildverarbeitung und für Ihre Geduld.. Lass mich im Kommentarbereich. Teile diesen Artikel, es wird mir die Motivation geben, mehr Blogs für die Data Science Community zu schreiben.
E-Mail-Identifikation: gakshay1210@ gmail.com
Folgen Sie mir auf LinkedIn: LinkedIn
Die in diesem Artikel gezeigten Medien sind nicht Eigentum von DataPeaker und werden nach Ermessen des Autors verwendet.
