Este artigo foi publicado como parte do Data Science Blogathon
Introdução
O processamento digital de imagens consiste em várias técnicas e métodos envolvidos na manipulação de imagens em um computador.. Vários tipos de operações são realizadas em imagens, constituindo processamento de imagem digital.
Entenda o que realmente é uma imagem?
A imagem é basicamente um sinal bidimensional. A função do sinal é f (x, e), onde o valor de xey em um ponto gera o pixel no ponto. A imagem é basicamente uma matriz bidimensional que consiste em números entre 0 e 255.
Vários fatores estão envolvidos no processamento de imagem. O processamento de imagens tem alguns motivos principais.
Ajuda de processamento de imagem em:
1. Melhoria da informação digital armazenada por nós.
2. Automatizando o trabalho com imagens.
3. Melhor otimização de imagem levando a um armazenamento e transmissão eficientes.
Ao passar dos anos, o processamento de imagens melhorou muito e existem muitos aplicativos comerciais modernos de processamento de imagens.
Usos de processamento de imagem:
1. Correção de imagem, nitidez e correção de resoluçãoo "resolução" refere-se à capacidade de tomar decisões firmes e atingir metas estabelecidas. Em contextos pessoais e profissionais, Envolve a definição de metas claras e o desenvolvimento de um plano de ação para alcançá-las. A resolução é fundamental para o crescimento pessoal e o sucesso em várias áreas da vida, pois permite superar obstáculos e manter o foco no que realmente importa....
Frequentemente, gostaríamos de poder melhorar as imagens antigas. E isso é possível hoje. Ampliação, a nitidez, detecção de borda e edições de alta faixa dinâmica estão incluídas nesta categoria. Todas essas etapas ajudam a melhorar a imagem. A maioria dos programas de edição e código de correção de imagem pode fazer essas coisas facilmente..
2. Filtros na edição de aplicativos e redes sociais
A maioria dos aplicativos de edição e aplicativos de mídia social oferece filtros nos dias de hoje.
Acima está um exemplo da imagem original e da imagem vazada. Os filtros tornam a imagem mais atraente visualmente. Os filtros geralmente são um conjunto de funções que alteram as cores e outros aspectos de uma imagem que fazem com que ela tenha uma aparência diferente.. Os filtros são uma aplicação interessante de processamento de imagem.
3. Tecnologia médica:
No campo da medicina, o processamento de imagem é usado para várias tarefas, como tomografia por emissão de pósitrons, Imagem de raios-x, tomografia computadorizada médica, Imagens UV, imagem de células cancerosas e muito mais. A introdução do processamento de imagens no campo da tecnologia médica melhorou muito o processo de diagnóstico.
(Fonte da imagem: https://axisimagingnews.com/radiology-products/imaging-equipment/x-ray/image-processing-software-mimics-grid-use-improve-image-quality)
A imagem à esquerda é a imagem original. A imagem à direita é a imagem processada. Podemos ver que a imagem processada é muito melhor e pode ser usada para um melhor diagnóstico.
4. Visão computacional / máquina:
Uma das aplicações mais interessantes e úteis de processamento de imagem é a visão computacional.. A visão computacional é usada para fazer o computador ver, identificar as coisas e processar todo o ambiente como um todo. Um uso importante da visão computacional é dirigir carros, drones, etc. CV ajuda a detectar obstáculos, reconhecer caminhos e compreender o ambiente.
(Fonte: ruas de Paris aos olhos do https piloto automático da Tesla://youtu.be/_1MHGUC_BzQ)
É assim que a visão computacional típica funciona para pilotos automáticos de carros. O computador captura imagens ao vivo e analisa outros carros, a estrada e outros obstáculos.
5. Reconhecimento de padrões:
O reconhecimento de padrões é parte do processamento de imagem que envolve inteligência artificial e aprendizado de máquina. O processamento de imagem é usado para descobrir vários padrões e aparências nas imagens. O reconhecimento de padrões é usado para análise de escrita, reconhecimento de imagem, diagnóstico médico auxiliado por computador e muito mais.
6. Processamento de Vídeo:
O vídeo é basicamente imagens em movimento rápido. Várias técnicas de processamento de imagem são usadas no processamento de vídeo. Alguns métodos de processamento de vídeo são remoção de ruído, estabilização de imagem, conversão de taxa de quadros, aprimoramento de detalhes e muito mais.
Começando com o processamento de imagens em Python:
Vamos começar com algumas tarefas básicas relacionadas com imagens em Python. Faremos uso do PIL.
A biblioteca de imagens de Python é utilizada para várias tarefas de processamento de imagens.
Instalação:
pip install pillow
Com o PIL instalado, agora podemos passar ao código.
Primeiro, trabalhamos com algumas funções do matplotlibAs funções são relações matemáticas que atribuem a cada elemento de um conjunto, chamado domínio, um único elemento de outro conjunto, chamado contradomínio. São geralmente representadas como ( f(x) ), Onde ( f ) é a função y ( x ) é o valor do domínio. As funções são fundamentais em diversas áreas da matemática e das suas aplicações, permitindo modelar fenómenos e resolver problemas nas ciências, engenharia e economia.....
import matplotlib.image as img
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
Será lida a seguinte imagem. Chama-se image1.jpg.
# reading jpg image
img = img.imread('image1.jpg')
plt.imshow(img)
A imagem é lida.
# modifying the shape of the image
lum1 = img[:, :, 0]
plt.imshow(lum1)
Agora a forma da imagem é modificada.
Agora vamos mudá-la para o mapa de cores “quente”. Para ler mais sobre o mapa de cores, visitas é Ligação.
plt.imshow(lum1, cmap ='hot') plt.colorbar()
A saída da imagem parece:
Agora vamos testar com um mapa de cores diferente.
imgplot = plt.imshow(lum1)
imgplot.set_cmap('nipy_spectral')
Saída da imagem:
A razão para usar mapas de cores é que, frequentemente em várias aplicações e usos, é útil ter um mapa de cores uniforme. Ler mais sobre Colourmaps: Escolher mapas de cores no Matplotlib.
Agora vamos dar uma olhadela por que chamamos uma imagem de matriz 2D.
#data type of lum1
print(modelo(lum1))
Partida:
imprimir(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]]
Os pontos estão aí para mostrar que existem muitos mais pontos de dados no meio. Mas uma coisa é certa, é que todos são dados numéricos.
Vamos encontrar o tamanho da matriz.
len(lum1)
Partida: 320
Partida: 658
Isto dá-nos a quantidade de pixels e as dimensões da imagem: 320 * 658.
Também o verificaremos mais tarde.
Agora trabalhamos com PIL.
da imagem de importação PIL
Usaremos este ficheiro de imagem, chamado: people.jpg.
img2 = Image.open('people.jpg')
plt.imshow(img2)
A imagem é lida.
Agora, alteramos o tamanho da imagem.
img2.thumbnail((50, 50), Image.ANTIALIAS) # resizes image in-place
imgplot = plt.imshow(img2)
imgplot1 = plt.imshow(img2, interpolação="nearest")
imgplot2 = plt.imshow(img2, interpolação="bicubic")
Mas, porque desfocamos as imagens de propósito no processamento de imagens? Nós vamos, frequentemente para algoritmos de reconhecimento de padrões e visão computacional, torna-se difícil processar as imagens se forem muito nítidas. Portanto, o desfoque é feito para suavizar as imagens. O desfoque também faz com que a transição de cor numa imagem, de um lado a outro, seja muito mais suave.
Agora, verifiquemos las dimensiones de la imagen del automóvil, en lo que trabajamos antes.
#some more interesting stuff file="image1.jpg" with Image.open(Arquivo) as image: largura, height = image.size #Image width, height is be obtatered
Estas son las dimensiones que obtuvimos también. Então podemos concluir que la imagen es 320 * 658.
Intentemos también rotar y transponer la image.
#Relative Path img3 = Image.open("image1.jpg") #Angle given img_rot= img3.rotate(180) #Saved in the same relative location img_rot.save("rotated_picture.jpg")
Esta es la imagen rotada.
#transposing image transposed_img = img3.transpose(Image.FLIP_LEFT_RIGHT) #Saved in the same relative location transposed_img.save("transposed_img.jpg")
Esta es la imagen transpuesta.
Ultimas palavras:
El procesamiento de imágenes tiene varias aplicaciones importantes y, com o tempo, os métodos e processos também irão melhorar.
Sobre mim:
Prateek Majumder
Ciência e análise de dados | Especialista em marketing digital | SEO | Criação de conteúdo
Conecte-se comigo no Linkedin.
Obrigado.
A mídia mostrada neste artigo de imagem digital não é propriedade da DataPeaker e é usada a critério do autor.
