前言

针对数字图像处理一书的近期学习做个总结
会用代码对图像进行一系列求梯度，下采样，上采样操作

一、图像的基本操作

1用Image.open（）读入图像

from PIL import Image
import matplotlib.pyplot as plt
import torchvision.transforms as transforms
image = Image.open("F:/test_image/rose2.jfif")
plt.imshow(image)
plt.show()

在这里插入图片描述

2 如何用plt.imshow()输出灰度图

data_transform = transforms.Compose(
    [
        transforms.Grayscale(num_output_channels=1),
        transforms.Resize((2000,2500))
    ]
)
image = data_transform(image)
plt.imshow(image)
plt.show()

在这里插入图片描述

3两张图片结合输出

类似于加水印的方法，在经过数据处理之后的值为[0 - 255] ，我们可以将下列图片与上面的 rose 做成一种水印的方法，首先先将该图亮度值转换
注意若转化为tensor类型，则此时的灰度值从[0 - 255] 变为[0.0 - 1.0]
在这里插入图片描述

image2 = Image.open('F:/test_image/Hu.png')
image2 = data_transform(image2)
image2 = np.array(image2)
image2 = np.where(image2 > 50, 0, 255)
plt.imshow(image2)
plt.show()

在这里插入图片描述

因为图像可以用矩阵表示，所以我们可以将花和名字相加输出

image += image2
plt.imshow(image,cmap='gray')
plt.show()

在这里插入图片描述
视觉上感觉变暗了，可以通过对比像素值验证

二、噪声

1.人为给图像加入噪声

我们试着将上述图像添加10%的噪声（白点）类似于老式电视机的雪花点
当然也可以用-255和0选择黑色噪声

w, h = image.size # PIL中的size为 w, h
noise_salt = np.random.randint(0, 256, size=(h, w))
ratio = 0.1
noise_salt = np.where(noise_salt < ratio*255, 255, 0) #加10%的噪声
image = image + noise_salt
#但是存在一个饱和相加减的问题。也就是说,如果图像与噪声之和＞255，或者＜0，比如266，那么最终的像素值为16，反而变暗
image = np.where(image > 255, 255, image) #这样就可以解决

在这里插入图片描述
2.还有一种常见的高斯噪声：每个像素点周围都有噪声，可以自行对比

w, h = image.size
noise_Gauss = np.random.normal(0, 100, size=(h, w))
image = image + noise_Gauss
image = np.where(image>255,255,np.where(image<0,0,image))
plt.imshow(image)
plt.show()

在这里插入图片描述

2.平均像素值降噪

此时的 image = image + noise_salt
因为图像中每个像素点的值与其旁边的像素点的值比较接近，所以我们可以采用平均像素值的方法降低噪声
下图是5%的噪声
在这里插入图片描述

for x in range(1,h-1):
    for y in range(1,w-1):
        imge_avg = 0
        for i in [-1,0,1]:
            for j in [-1,0,1]:
                imge_avg +=image[x+i][y+j]
        image[x][y] = imge_avg // 9

在这里插入图片描述

三求图像边缘

两个具有不同灰度的均匀图像区域的边界称为边缘。沿边缘方向的灰度变化比较平缓，而边缘法线方向的灰度变化比较剧烈
而表示两个数的剧烈程度我们可以用一阶导数来计算，单位像素的一阶导数就是相邻两个像素值的差值，但是对于相邻位置的权重分配不用，以下采用sobel边缘检测，第三张图放大梯度之后产生噪声，可用均值处理降噪
完整代码如下

import torch
from PIL import Image
import matplotlib.pyplot as plt
import torchvision.transforms as transforms
import numpy as np
import torch.nn as nn

data_transform = transforms.Compose(
    [
        transforms.Grayscale(num_output_channels=1),
        transforms.Resize((2000,2500)),
        transforms.ToTensor()
    ]
)

image = Image.open("F:/test_image/tiger.jfif")
image = data_transform(image)
image = torch.unsqueeze(image, 0)


class Sobel(nn.Module):
    def __init__(self):
        super(Sobel, self).__init__()
        self.edge_conv = nn.Conv2d(1, 2, kernel_size=3, stride=1, padding=1, bias=False)
        edge_kx = np.array([[1, 0, -1], [2, 0, -2], [1, 0, -1]])
        edge_ky = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]])
        edge_k = np.stack((edge_kx, edge_ky))

        edge_k = torch.from_numpy(edge_k).float().view(2, 1, 3, 3)
        self.edge_conv.weight = nn.Parameter(edge_k)

        for param in self.parameters():
            param.requires_grad = False

    def forward(self, x):
        out = self.edge_conv(x)
        out = out.contiguous().view(-1, 2, x.size(2), x.size(3))

        return out

sober = Sobel()

grad = sober(image)

grad_x = grad[:,0,:,:]
grad_x = torch.squeeze(grad_x,0)
grad_x = torch.squeeze(grad_x,0)
grad_x = np.array(grad_x)
plt.imshow(grad_x)
plt.show()

grad_y = grad[:,1,:,:]
grad_y = torch.squeeze(grad_y,0)
grad_y = torch.squeeze(grad_y,0)
grad_y = np.array(grad_y)
plt.imshow(grad_y)
plt.show()

grad = grad_x + grad_y
#print(grad)
grad = np.where(grad>0, 255,np.where(grad<0,0,grad))
plt.imshow(grad,cmap='gray')
plt.show()