Cet article a été publié dans le cadre du Blogathon sur la science des données
introduction
Le traitement d'images numériques comprend les diverses techniques et méthodes impliquées dans la manipulation d'images sur un ordinateur.. Différents types d'opérations sont effectuées sur les images, constituant le traitement d'image numérique.
Comprendre ce qu'est vraiment une image?
L'image est essentiellement un signal bidimensionnel. La fonction de signal est f (X, Oui), où la valeur de x et y en un point génère le pixel en ce point. L'image est essentiellement un tableau à deux dimensions composé de nombres entre 0 Oui 255.
Divers facteurs interviennent dans le traitement de l'image. Le traitement des images a plusieurs raisons principales.
Aide pour le traitement d'images sur:
1. Amélioration des informations numériques que nous stockons.
2. Automatiser le travail avec des images.
3. Meilleure optimisation de l'image conduisant à un stockage et une transmission efficaces.
Au fil des ans, le traitement d'image s'est beaucoup amélioré et il existe de nombreuses applications commerciales modernes de traitement d'image.
Utilisations du traitement d'images:
1. Correction d'images, nitidez y corrección de résolutionLa "résolution" fait référence à la capacité de prendre des décisions fermes et d’atteindre les objectifs fixés.. Dans des contextes personnels et professionnels, Il s’agit de définir des objectifs clairs et d’élaborer un plan d’action pour les atteindre. La résolution est essentielle à la croissance personnelle et à la réussite dans divers domaines de la vie, car cela vous permet de surmonter les obstacles et de rester concentré sur ce qui compte vraiment....
Souvent, nous souhaitons que nous puissions améliorer les anciennes images. Et c'est possible aujourd'hui. Zoom, la netteté, la détection des contours et les modifications à plage dynamique élevée sont incluses dans cette catégorie. Toutes ces étapes contribuent à améliorer l'image. La plupart des programmes d'édition et du code de correction d'image peuvent faire ces choses facilement..
2. Filtres dans l'édition des applications et des réseaux sociaux
La plupart des applications d'édition et des applications de médias sociaux proposent des filtres de nos jours.
Ci-dessus est un exemple de l'image originale et de l'image divulguée. Les filtres rendent l'image plus attrayante visuellement. Les filtres sont généralement un ensemble de fonctions qui modifient les couleurs et d'autres aspects d'une image qui rendent l'image différente.. Les filtres sont une application intéressante du traitement d'images.
3. Technologie médicale:
Dans le domaine de la médecine, le traitement d'image est utilisé pour diverses tâches, comme tomographie par émission de positons, Imagerie aux rayons X, tomodensitométrie médicale, images UV, imagerie des cellules cancéreuses et bien plus encore. L'introduction du traitement d'images dans le domaine de la technologie médicale a considérablement amélioré le processus de diagnostic.
(Source de l'image: https://axisimagingnews.com/radiology-products/imaging-equipment/x-ray/image-processing-software-mimics-grid-use-improve-image-quality)
L'image de gauche est l'image originale. L'image de droite est l'image traitée. On voit que l'image traitée est bien meilleure et peut être utilisée pour un meilleur diagnostic.
4. Vision par ordinateur / machine:
L'une des applications les plus intéressantes et utiles du traitement d'images est la vision par ordinateur.. La vision par ordinateur est utilisée pour faire voir l'ordinateur, identifier les choses et traiter l'environnement dans son ensemble. Une utilisation importante de la vision par ordinateur est la conduite de voitures, drones, etc. Le CV aide à détecter les obstacles, reconnaître les chemins et comprendre l'environnement.
(La source: Les rues de Paris dans les yeux du pilote automatique de Tesla https://youtu.be/_1MHGUC_BzQ)
Voici comment fonctionne la vision par ordinateur typique pour les pilotes automatiques de voiture. L'ordinateur capture des images en direct et analyse d'autres voitures, la route et autres obstacles.
5. La reconnaissance de formes:
La reconnaissance de formes fait partie du traitement d'images qui implique l'intelligence artificielle et l'apprentissage automatique. Le traitement d'image est utilisé pour découvrir divers motifs et apparences dans les images. La reconnaissance des formes est utilisée pour l'analyse de l'écriture manuscrite, reconnaissance d'images, diagnostic médical assisté par ordinateur et bien plus encore.
6. Traitement vidéo:
La vidéo est essentiellement des images en mouvement rapide. Diverses techniques de traitement d'image sont utilisées dans le traitement vidéo. Certaines méthodes de traitement vidéo sont la suppression du bruit, stabilisation d'image, conversion de fréquence d'images, amélioration des détails et bien plus encore.
Initiation au traitement d'images en Python:
Commençons par quelques tâches de base liées aux images en Python. Nous utiliserons PIL.
Python Image Library est utilisé pour diverses tâches de traitement d'image.
Installation:
pip installer oreiller
Avec PIL installé, maintenant on peut passer au code.
Premier, trabajamos con algunas funciones de matplotlibLes fonctions sont des relations mathématiques qui attribuent à chaque élément d’un ensemble, Domaine appelé, un seul objet d’un autre ensemble, appelé codomaine. Ils sont généralement représentés comme ( F(X) ), où ( F ) est la fonction et ( X ) C’est la valeur du domaine. Les fonctions sont fondamentales dans divers domaines des mathématiques et de leurs applications, permettant de modéliser des phénomènes et de résoudre des problèmes en science, l’ingénierie et l’économie.....
importer matplotlib.image en tant qu'img importer matplotlib.pyplot en tant que plt importer numpy en tant que np %matplotlib en ligne
L'image suivante sera lue. Il s'appelle image1.jpg.
# lecture d'une image jpg
img = img.imread('image1.jpg')
plt.imshow(img)
L'image est lue.
# modifier la forme de l'image lum1 = img[:, :, 0] plt.imshow(lum1)
Maintenant, la forme de l'image est modifiée.
Maintenant, nous allons le changer pour la carte des couleurs « chaud ». Pour en savoir plus sur la palette de couleurs, les visites sont Relier.
plt.imshow(lum1, cmap ='chaud') plt.colorbar()
La sortie de l'image ressemble:
Maintenant, nous essayons une palette de couleurs différente.
imgplot = plt.imshow(lum1)
imgplot.set_cmap('nipy_spectral')
Sortie d'images:
La raison de l'utilisation des palettes de couleurs est que, souvent dans diverses applications et utilisations, il est utile d'avoir une carte de couleurs uniforme. En savoir plus sur les palettes de couleurs: Choisissez des cartes de couleurs dans Matplotlib.
Voyons maintenant pourquoi nous appelons une image une matrice 2D.
#type de données de lum1 imprimer(taper(lum1))
Départ:
imprimer(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]]
Les points sont là pour montrer qu'il y a beaucoup plus de points de données entre. Mais une chose est sûre, c'est que ce sont toutes des données numériques.
Trouvons la taille de la matrice.
longueur(lum1)
Départ: 320
Départ: 658
Cela nous donne le nombre de pixels et les dimensions de l'image: 320 * 658.
Nous le vérifierons également plus tard.
Maintenant, nous travaillons avec PIL.
à partir de l'image d'importation PIL
Nous utiliserons ce fichier image, appelé: personnes.jpg.
img2 = Image.open('personnes.jpg')
plt.imshow(img2)
L'image est lue.
À présent, on change la taille de l'image.
img2.thumbnail((50, 50), Image.ANTIALIAS) # redimensionne l'image sur place imgplot = plt.imshow(img2)
imgplot1 = plt.imshow(img2, interpolation="la plus proche")
imgplot2 = plt.imshow(img2, interpolation="bicubique")
Mais, Pourquoi brouillons-nous volontairement les images dans le traitement d'images? Bon, souvent pour les algorithmes de vision par ordinateur et de reconnaissance de formes, les images deviennent difficiles à traiter si elles sont très nettes. Donc, le flou est fait pour adoucir les images. Le flou fait également la transition de couleur dans une image, d'un côté a l'autre, être beaucoup plus fluide.
À présent, vérifions les dimensions de la photo de la voiture, ce sur quoi nous avons travaillé avant.
#des trucs plus intéressants
fichier="image1.jpg"
avec Image.open(déposer) comme image:
largeur, hauteur = image.taille
#Largeur de l'image, la hauteur est obtenue
Ce sont les dimensions que nous avons aussi. On peut alors conclure que l'image est 320 * 658.
Essayons également de faire pivoter et de transposer l'image.
#Chemin relatif
img3 = Image.open("image1.jpg")
#Angle donné
img_rot= img3.rotation(180)
#Enregistré dans le même emplacement relatif
img_rot.save("photo_rotée.jpg")
C'est l'image tournée.
#transposer l'image
transposed_img = img3.transpose(Image.FLIP_LEFT_RIGHT)
#Enregistré dans le même emplacement relatif
transposed_img.save("transposed_img.jpg")
C'est l'image transposée.
Derniers mots:
Le traitement d'images a plusieurs applications importantes et, avec le temps, les méthodes et les processus amélioreront également.
Sur moi:
Prateek Majumder
Science des données et analyse | Spécialiste du marketing numérique | Référencement | Création de contenu
Connectez-vous avec moi sur Linkedin.
Merci.
Les médias présentés dans cet article d'imagerie numérique ne sont pas la propriété de DataPeaker et sont utilisés à la discrétion de l'auteur..
