导读：数量庞大的图像和视频充斥着我们的生活。我们需要对图片进行检索、分类等操作时，利用人工手段显然是不现实的。于是，计算机视觉相关技术便应运而生，并且得到了快速的发展。本文以时下最流行的Python语言为工具，对图像处理技术的具体操作进行详细讲述，旨在让零基础的读者也可以轻松上手！
01 SciPy
SciPy是建立在NumPy基础上，用于数值运算的开源工具包。SciPy提供很多高效的操作，可以实现数值积分、优化、统计、信号处理，以及对我们来说最重要的图像处理功能。接下来，本节会介绍SciPy中大量有用的模块。SciPy是一个开源工具包，可以从http://scipy.org/Download 下载。
02 图像导数
在整个图像处理的学习过程中可以看到，在很多应用中图像强度的变化情况是非常重要的信息。强度的变化可以用灰度图像I（对于彩色图像，通常对每个颜色通道分别计算导数）的x和y的方向导数和
进行描述。
图像的梯度向量为：
梯度有两个重要的属性，一个是梯度的大小：
它描述了图像变化的强弱，一是梯度的角度：
它描述了图像中在每个点（像素）上强度变化最大的方向。NumPy中的arctan2()函数返回弧度表示的有符号角度，角度的变化区间为。
我们可以用离散近似的方式来计算图像的导数。图像的导数大多可以通过卷积简单地实现：
对于和
，通常选择Prewitt滤波器：
Prewitt边缘算子是一种边缘样板算子，利用像素点上下，左右邻点灰度差，在边缘处达到极值检测边缘，对噪声具有平滑作用。由于边缘点像素的灰度值与其领域点像素的灰度值有显著不同，在实际应用中通常采用微分算子和模板配匹方法检测图像的边缘。
或者使用Sobel滤波器，Sobel算法是一种较成熟的微分边缘检测算法，它计算简单，且能产生较好的检测效果，对噪声具有平滑作用，可以提供较为精确的边缘方向信息。
Sobel算子是一阶导数的边缘检测算子，使用两个方向算子(垂直算子和水平算子)，对图像进行卷积运算，得到两个矩阵，再求这两个矩阵对应位置的两个数的均方根，得到一个新的矩阵，即为灰度图像矩阵中各个像素点的梯度值。在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。
其实图像的梯度可以用一阶导数和二阶偏导数来求解。但是图像以矩阵的形式存储的，不能像数学理论中对直线或者曲线求导一样，对一幅图像的求导相当于对一个平面、曲面求导。对图像的操作，我们采用模板对原图像进行卷积运算，从而达到我们想要的效果。而获取一幅图像的梯度就转化为：模板（Roberts、Prewitt、Sobel、Lapacian算子）对原图像进行卷积，不过这里的模板并不是随便设计的，而是根据数学中求导理论推导出来的。
这些导数滤波器可以使用scipy.ndimage.filters模块的标准卷积操作来简单地实现。
代码为：
PIL Image numpy * matplotlib.pyplot plt scipy.ndimage filters im = array(Image.open().convert()) imx = zeros(im.shape) filters.sobel(imimx) imy = zeros(im.shape) filters.sobel(imimx) magnitude = sqrt(imx ** + imy ** ) fig = plt.figure(=()) plt.subplot() plt.axis() plt.imshow(implt.cm.gray) plt.subplot() plt.axis() plt.imshow(imxplt.cm.gray) plt.subplot() plt.axis() plt.imshow(imyplt.cm.gray) plt.subplot() plt.axis() plt.imshow(magnitudeplt.cm.gray) plt.show()
输出结果为：
▲上述输出结果分别是原始灰度图像、x导数图像、y导数图像、梯度大小图像
这种计算图像导数的方法有一些缺陷，在该方法中，滤波器的尺度需要随着图像分辨率的变化而变化。为了在图像噪声方面更稳健，以及在任意尺度上计算导数，我们使用高斯导数滤波器：
其中和
表示
在x和y方向上的导数，
为标准差为σ的高斯函数。
我们之前用于模糊的filters.gaussian_filter()函数可以接受额外的参数，用来计算高斯导数。可以简单的按照下面的方式来处理：
PIL Image numpy * matplotlib.pyplot plt scipy.ndimage filters im = array(Image.open().convert()) sigma = imx = zeros(im.shape) filters.gaussian_filter(im(sigmasigma)()imx) imy = zeros(im.shape) filters.gaussian_filter(im(sigmasigma)()imy) fig = plt.figure(=()) plt.subplot() plt.axis() plt.imshow(implt.cm.gray) plt.subplot() plt.axis() plt.imshow(imxplt.cm.gray) plt.subplot() plt.axis() plt.imshow(imyplt.cm.gray) plt.show()
输出结果为：
(a)
(b)
上面输出结果(a)、(b)中图片依次为：原始灰度图像，x导数图像，y导数图像，而(a),(b)的区别为设置不同的标准差之后的高斯滤波处理图像。
作者：Hui
来源：专知（ID：Quan_Zhuanzhi），关于“用Python做图像处理”的更多图文，可在专知查看
参考文献：
python计算机视觉编程：
http://yongyuan.name/pcvwithpython/
推荐阅读
日本老爷爷坚持17年用Excel作画，我可能用了假的Excel···
看完此文再不懂区块链算我输：手把手教你用Python从零开始创建区块链
Q: 关于图像处理，你有哪些想法和经验？
欢迎留言与大家分享
觉得不错，请把这篇文章分享给你的朋友
转载 / 投稿请联系：[email protected]
更多精彩文章，请在公众号后台点击“历史文章”查看