遥感数字图像处理与分析 练习一

本文在线地址：https://gis-xh.github.io/yanxue-notes/RS/RS-DIP/practice/01/

本次任务

1. 图像求反
2. 伽马校正，校正值为 \(0.4,1,1.6\)
3. 将图像的大小调整 \(0.5\) 倍（即，分辨率为 \(400 × 400\) 的图像将减少到 \(200 × 200\)）
4. 将图像的大小调整为 \(2\) 倍（例如，分辨率为\(400 × 400\) 的图像将增加到 \(800 × 800\)）
5. 对比度拉伸
6. 灰度分割
7. 显示测试图像的所有比特平面层

1 环境配置

  这里我们使用 conda 创建一个名为 rs01 的 Python3.9 的虚拟环境。激活新环境后，在其内配置项目所需的运行环境，最终启动 jupyter notebook 在其内进行代码操作。

创建虚拟环境

conda create -n rs01 python=3.9

激活虚拟环境

conda activate rs01

安装 jupyter notebook

pip install jupyter

安装 scikit-image 库

pip install scikit-image

安装 matplotlib 库

pip install matplotlib

注：在安装时，会自动将依赖的包一并安装完成。

启动 jupyter notebook

jupyter notebook

2 准备

2.1 导入需求包

import numpy as np
import matplotlib.pyplot as plt
from skimage import data, transform

2.2 导入图片并展示

img = data.camera()
plt.imshow(img,cmap="gray")

3 算法实现

3.1 Image Negatives 图像求反

3.1.1 原理及其公式

  增强嵌入在图像暗区域的白色或灰色细节，特别是当黑色区域在大小上占主导地位时。

\[ s = L - 1 - r \]

3.1.2 代码实现

图像求反函数

def Image_Negatives():
    '''
     图像求反
     :return: 图像求反后的图像
     '''
    out = 255 - img
    outImg = plt.imshow(out, cmap="gray")
    plt.title("Image Negatives")
    return outImg

调用函数

plt.subplot(121), plt.title("Original Image"), plt.imshow(img, cmap="gray")
plt.subplot(122), Image_Negatives()

3.1.3 输入输出图像对比

3.2 Gamma correction 伽马校正

3.2.1 原理及其公式

• 伽马校正可以提高暗部亮度的存储精度。

\[ s = cr^γ \]

3.2.2 代码实现

伽马校正函数

def Gamma_Transformations(val):
    '''
     伽马校正
     :param val: 传入的伽马值
     :return: 伽马校正后的图像
     '''
    b = img
    # 初始化 gamma
    gamma = val
    # b 被转换为 float 类型
    b1 = b.astype(float)
    # 确定 b1 中的最大值
    b3 = np.max(b1)
    # b1 是归一化的
    b2 = b1/b3
    # 计算伽马校正指数
    b3 = np.log(b2 + 1) * gamma
    # 进行伽马校正
    c = np.exp(b3) * 255.0
    # c 被转换为 int 类型
    c1 = c.astype(np.uint8)
    plt.title("Gamma value = " + str(value))
    outImg = plt.imshow(c1, cmap="gray")
    return outImg

调用函数

plt.figure(figsize=(10,8))
plt.subplot(221), plt.title("Original Image"), plt.imshow(img, cmap="gray")
plt.subplot(222), Gamma_Transformations(0.4)
plt.subplot(223), Gamma_Transformations(1)
plt.subplot(224), Gamma_Transformations(1.6)

3.2.3 输入输出图像对比

3.3 将图像的大小调整 \(0.5\) 倍

3.3.1 原理

  先获取原图像的行列数，再使用 resize() 函数对图像进行处理，函数的参数设置为行列的大小调整的比值。

3.3.2 代码实现

图像的大小调整函数

def Image_Resized(val):
    '''
     图像大小调整
     :param val: 大小的调整比值
     :return: 大小调整后的图像
     '''
    imgRows,imgCols = img.shape
    out = transform.resize(img, (imgRows * val, imgCols * val))
    plt.title("Resized Image (" + str(val) + " fold)")
    outImg = plt.imshow(out, cmap="gray")
    return outImg

调用函数

plt.subplot(121), plt.title("Original Image"), plt.imshow(img, cmap="gray")
plt.subplot(122), Image_Resized(0.5)

3.3.3 输入输出图像对比

3.4 将图像的大小调整为 \(2\) 倍

3.4.1 原理

  调用大小调整函数，输入参数即可实现 2 倍效果。

3.4.2 代码实现

调用函数

plt.subplot(121), plt.title("Original Image"), plt.imshow(img, cmap="gray")
plt.subplot(122), Image_Resized(2)

3.4.3 输入输出图像对比

3.5 Contrast Stretching 对比度拉伸

3.5.1 原理

  对比度拉伸能够扩展图像的灰度等级范围，使其跨越记录介质或显示设备的理想全强度范围。

3.5.2 代码实现

对比度拉伸函数

def Contrast_Stretching():
    '''
     对比度拉伸
     :return: 对比度拉伸后的图像
     '''
    img_cp = np.copy(img) # 输入图像的副本

    pixels_value_mean = np.mean(img_cp) # 输入图像的平均灰度值

    # 对比图拉伸（注：该实现顺序不能颠倒）
    img_cp[np.where(img_cp <= pixels_value_mean)] = 0
    img_cp[np.where(img_cp > pixels_value_mean)] = 1

    out = img_cp
    plt.title("Contrast Stretching")
    outImg = plt.imshow(out, cmap="gray")

    return outImg

调用函数

plt.subplot(121), plt.title("Original Image"), plt.imshow(img, cmap="gray")
plt.subplot(122), Contrast_Stretching()

3.5.3 输入输出图像对比

3.6 Gray-Level Slicing 灰度级分层

3.6.1 原理

  灰度级分层通常用于突出感兴趣的特定灰度范围内的亮度。灰度级分层有两大基本方法。

1. 将感兴趣的灰度范围内的值显示为一个值（比如0），而其他范围的值为另外一个值（255）。
2. 将感兴趣的灰度范围内的值显示为一个值（比如0），而其他范围的值不变。

3.6.2 代码实现

灰度分割函数

def Gray_Level_Slicing(spotlight_range_min, spotlight_range_max, means):
    '''
     灰度级分层
     :param spotlight_range_min: 所突出的灰度级范围最小值
     :param spotlight_range_max: 所突出的灰度级范围最大值
     :param means: 分层方式（1，2）
     :return: 灰度级分层后的图像
     '''
    img_cp = np.copy(img) # 输入图像的副本

    if means == 1: # 方式一（突出指定范围内255，并且变暗非范围内0）
        img_cp = np.where((img_cp >= spotlight_range_min) & (img_cp <= spotlight_range_max), 255, 0)
    elif means == 2: # 方式二（仅突出指定范围内255）
        img_cp[np.where((img_cp >= spotlight_range_min) & (img_cp <= spotlight_range_max))] = 255
    else:
        print("please enter the number of means from 1 to 2")
        return

    out = img_cp
    plt.title("Gray-Level Slicing (Method" + str(means) +")")
    outImg = plt.imshow(out, cmap="gray")

    return outImg

导入图像并调用函数

plt.figure(figsize=(16,9))
plt.subplot(131), plt.title("Original Image"), plt.imshow(img, cmap="gray")
plt.subplot(132), Gray_Level_Slicing(155,255,1)
plt.subplot(133), Gray_Level_Slicing(155,255,2)

3.6.3 输入输出图像对比

3.7 显示测试图像的所有比特平面层

3.7.1 原理

• 突出显示特定位元对整体图像外观的贡献
• 将图像分解为比特面有助于分析图像中每个比特的相对重要性，这一过程有助于确定用于量化图像的比特数的充分性
• 此外，这种类型的分解对于图像压缩也很有用

3.7.2 代码实现

比特分层

def Bit_Plane_Slicing(layer_num):
    '''
    提取比特层
    :param layer_num: 提取层
    :return: 提取到的比特层
    '''
    img_cp = np.copy(img)  # 输入图片的副本

    if layer_num == 1:
     img_cp = np.where((img_cp >= 0) & (img_cp < 2), 255, 0)
    elif layer_num == 2:
     img_cp = np.where((img_cp >= 2) & (img_cp < 4), 255, 0)
    elif layer_num == 3:
     img_cp = np.where((img_cp >= 4) & (img_cp < 8), 255, 0)
    elif layer_num == 4:
     img_cp = np.where((img_cp >= 8) & (img_cp < 16), 255, 0)
    elif layer_num == 5:
     img_cp = np.where((img_cp >= 16) & (img_cp < 32), 255, 0)
    elif layer_num == 6:
     img_cp = np.where((img_cp >= 32) & (img_cp < 64), 255, 0)
    elif layer_num == 7:
     img_cp = np.where((img_cp >= 64) & (img_cp < 128), 255, 0)
    elif layer_num == 8:
     img_cp = np.where((img_cp >= 128) & (img_cp < 256), 255, 0)
    else:
     print("please enter the number of bit layers from 1 to 8")

    out = img_cp
    plt.title("Bit-Plane Slicing Plane" + str(layer_num))
    outImg = plt.imshow(out, cmap="gray")

    return outImg

调用函数

plt.figure(figsize=(16, 16))
plt.subplot(331), plt.title("Original Image"), plt.imshow(img, cmap="gray")
for i in range(1,9):
    plt.subplot(331 + i),Bit_Plane_Slicing(i)

3.7.3 输入输出图像对比

---

最后更新: 2023-06-20
创建日期: 2022-12-27
作者: gis-xh