图像是数字数组#

Numpy 是一个用于处理多维数字列表的库，其中显微镜图像（堆栈、多通道、时间序列等）是一个突出的例子。我们在这里介绍这个库。

另请参阅

import numpy as np
from matplotlib.pyplot import imshow

Numpy 数组#

一张图像只是一个二维像素值列表，换句话说，是一个矩阵，有一定数量的行和列。因此，我们可以将其定义为列表的列表，每个列表都是一行像素：

raw_image_array = [
    [1, 0, 2, 1, 0, 0, 0],
    [0, 3, 1, 0, 1, 0, 1],
    [0, 5, 5, 1, 0, 1, 0],
    [0, 6, 6, 5, 1, 0, 2],
    [0, 0, 5, 6, 3, 0, 1],
    [0, 1, 2, 1, 0, 0, 1],
    [1, 0, 1, 0, 0, 1, 0]
]
raw_image_array

[[1, 0, 2, 1, 0, 0, 0],
 [0, 3, 1, 0, 1, 0, 1],
 [0, 5, 5, 1, 0, 1, 0],
 [0, 6, 6, 5, 1, 0, 2],
 [0, 0, 5, 6, 3, 0, 1],
 [0, 1, 2, 1, 0, 0, 1],
 [1, 0, 1, 0, 0, 1, 0]]

imshow(raw_image_array)

<matplotlib.image.AxesImage at 0x1f9fbdb4b80>
../_images/33579b8adbd4882cc6a8cf342ee2d65b004107c04199c41a019e636cdd7d5fc6.png

这个输出与上面的几乎相同，区别在于现在表明我们正在处理一个 Numpy array。这样的 Numpy 数组现在可以被视为一个整体，我们可以执行之前无法执行的计算：

image = np.asarray(raw_image_array)

image - 2

array([[-1, -2,  0, -1, -2, -2, -2],
       [-2,  1, -1, -2, -1, -2, -1],
       [-2,  3,  3, -1, -2, -1, -2],
       [-2,  4,  4,  3, -1, -2,  0],
       [-2, -2,  3,  4,  1, -2, -1],
       [-2, -1,  0, -1, -2, -2, -1],
       [-1, -2, -1, -2, -2, -1, -2]])

请注意，这些计算非常高效，因为它们是向量化的，即原则上可以并行执行。

两个重要的属性#

像 image 这样的数组有不同的属性。两个最重要的属性是：

  • 数组的 shape，即行数、列数（以及多维图像的通道数、平面数等）

  • 数组的 dtype，即 int64 类型的图像有 2 的 64 次方个不同的灰度值。

image.shape

(7, 7)

image.dtype

dtype('int32')

创建数组的其他方法#

在处理图像时，我们经常创建人工图像来查看滤镜对它们的影响。例如，我们可以使用 Numpy 函数 np.zeros 创建一个所有像素值为 0 但只有一个像素不为 0 的图像。这需要指定图像大小。

image_size = (6, 5)

image1 = np.zeros(image_size)
image1

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

imshow(image1)

<matplotlib.image.AxesImage at 0x1f9fc000f10>
../_images/09ab260b13e1180841a9b181822ccdb5209c5d97e5dc706f824ab54453d51510.png

由于图像只是数组，我们只需像访问数组一样设置像素值。从这里你也可以了解到，第一个轴（坐标 0）是从上到下，而第二个轴（坐标 3）是从左到右。

image1[0,3] = 1

imshow(image1)

<matplotlib.image.AxesImage at 0x1f9fbe7ad90>
../_images/6c0bf2b62d8284502bf59c08097c2d117beb30ee0ab6ec71ee180f0b186cf857.png

为了研究噪声，我们可以例如使用 np.random.random 创建一个具有随机值的图像。

image_random = np.random.random((6, 5))
imshow(image_random)

<matplotlib.image.AxesImage at 0x1f9fbef72e0>
../_images/285da33e574aa7a0a1b7dd67933652ded803861171b3da6713e7cb11154f2dae.png