图像处理-基础

本文为紫晶计划-铁石计划-笔尖学术分支,目的是通过python实现盲水印,以达到维护版权,加密图片 乃至提高国家安全的美好愿景.

写作痕迹

2022-4-5 狂热盲水印

图书馆里偶然找到了一本关于盲水印的书，特别有意思，本计划使用Python调用OpenCV、Matplotlib、Numpy、Sklearn等第三方库进行图像处理,没有基础者亦可赏玩,单纯做滤镜也挺有意思的。这一篇为初级教程，后期会有机器学习相关的部分。写完发觉用Python单纯做滤镜也挺有意思的，看来编程也并没有那么阳春白雪。

2023-3-8 另一个念头

本文继续更新，目的上增加风格识别分类：通过算法来将图片按照构图、色调、亮度等进行分类，将历年来拍摄的图片作为样本进行训练，通过机器学习/LLM来得到一个自动分类程序。

2023-3-13 “去中心化”

坑越挖越深，分类变得复杂，本文将开始分割为几个分类下的系列文章以充分利用butterfly主题自带的功能。

基本操作

python基本操作:没有,基本上都能直接看懂,可以直接模仿。说白了编程就是怎样调用不同的工具来达到自己的目的。本文是基于Python 3.10.9来进行操作的（2023-3-18），以后可能会有所变化，我有空时会实时更新此文。这里先安装一下Python（linux是自带的）：

# debian系
sudo apt-get install python3 python3-pip

# Arch系
sudo pacman -S python

三大基本库的安装

Python有许多库可用于图像处理，如NumPy、SciPy、scikit-image、PIL（Pillow)、OpenCV、scikit-learn、SimpleITK和matplotlib等。

matplotlib库主要用于图像显示，而numpy主要用于图像存储，scikit-learn库构建用于图像处理的机器学习模型，scipy主要用于图像增强，scikit-image、mahotas和opencv库用于不同的图像处理算法。

OpenCV

sudo pip3 install opencv-python

文件开始要引用库,这样写:

# -*- coding:utf-8 -*-
#--2022-4-12_第一个python程序_bySion

import cv2
import numpy as np
import matplotlib.pyplot as plt

一些基本操作:

1. 使用opencv=matplt来并排显示图片:

#-----显示图片
import cv2
import numpy as np
import matplotlib.pyplot as plt
img1 = cv2.imread("1.png")
img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)

img2 = cv2.imread("cat.jpeg")
img2 = cv2.cvtColor(img2,cv2.COLOR_BGR2RGB)

img3 = cv2.imread("flower.jpg")
img3 = cv2.cvtColor(img3,cv2.COLOR_BGR2RGB)

img4 = cv2.imread("snail.jpeg")
img4 = cv2.cvtColor(img4,cv2.COLOR_BGR2RGB)

titles = ['Monkey','Cat','Flower','Snail']


images = [img1,img2,img3,img4]
for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

2. 输出图像信息

import cv2
import numpy as np

img = cv2.imread("snail.jpeg")
print("形状:", img.shape)
print("总像素数:", img.size)
print("数据类型:", img.dtype)

# 输出结果
形状: (922, 1600, 3)
总像素数: 4425600
数据类型: uint8

图像加减运算

这一部分就是调整图像的亮度,使用opencv的cv2.add, cv2.subtract,cv2.bitwise(加法,减法,反色)函数,具体操作如下:

import cv2
import numpy as np

adj = 101   # 调整系数(0,256) PS: 255是全白,小心别被亮瞎了*_*
img = cv2.imread("snail.jpeg")
i = np.ones(img.shape, dtype="uint8") * adj
plus = cv2.add(img, i)  # 加亮
sub = cv2.subtract(img, i)  # 减暗
bitwise = cv2.bitwise_not(img)  # 反色
cv2.imshow("original", img)
cv2.imshow("+", plus)
cv2.imshow("-", sub)
cv2.imshow("bit", bitwise)

# 控制窗口关闭的函数,按任意键摧毁所有窗口
# 如果为写成数字的话,则代表毫秒数,0代表除非键入字符,否则不关闭
# 比如cv2.waitkey(4200)代表窗口持续4.2秒后关闭
cv2.waitKey(0)
cv2.destroyAllWindows()

图像色彩分离

上文说过,彩色图像可以按照颜色分为三个通道:R,G,B,借助cv2.split,可以把图像的各个色彩通道分离出来,在通过merge可以把通道合并

好玩的地方来了,我们可以把反色后的图像与原图的RGB通道进行混合,得到意想不到的效果

import cv2
import numpy as np

# 读取snail图像,并反色处理
img = cv2.imread("snail.jpeg")
bitwise = cv2.bitwise_not(img)

# 将原图与反色后的图像进行颜色分离
r1,g1,b1=cv2.split(bitwise)
r2,g2,b2=cv2.split(img)

# 合并颜色通道
m= cv2.merge([r1,g1,b1])
cv2.imshow("Merge",m)
cv2.waitKey(0)
cv2.destroyAllWindows()

实验表明在可以重复的情况下,一共可以组合出来 $6^3$ 种,但是我发现又很多不是太亮了就是太暗了,这里我找到了,几种还算不错的组合:主要是原图的两个通道加上反色图的一个通道

就感觉蓝色的那几个好看点,绿色的就跟春天的粉豆花一样

[{"url":"../../../../images/202204/r1b2b2.jpg","alt":"R1B2B2"},{"url":"../../../../images/202204/r1g2b2.jpg","alt":"r1g2b2"},{"url":"../../../../images/202204/r1g2g2.jpg","alt":"r1g2g2"},{"url":"../../../../images/g2g2b1.jpg","alt":"g2g2b1"},{"url":"../../../../images/202204/r2g2b1.jpg","alt":"r2g2b1"},{"url":"../../../../images/202204/r2r2b1.jpg","alt":"r2r2b1"},{"url":"../../../../images/202204/r2g1b2.jpg","alt":"r2g1b2"},{"url":"../../../../images/202204/r2g1r2.jpg","alt":"r2g1r2"},{"url":"../../../../images/202204/b2g1b2.jpg","alt":"b2g1b2"}]

图像变换

(DFT)傅立叶变换

傅里叶变换主要是将时间域上的信号转变为频率域上的信号，用来进行图像除噪、图像增强等处理,傅立叶变换的本质是: 把任何连续周期信号表示成（或者无限逼近）一系列正弦信号的叠加。

随着域的不同，对同一个事物的了解角度也随之改变，因此在时域中某些不好处理的地方，在频域就可以较为简单的处理。同时，可以从频域里发现一些原先不易察觉的特征。

理论基础

连续性函数在计算机中不好分析,我们把它转换成离散的就好分析了,盲水印其中一大算法主要进行的就是离散傅立叶变换

一维离散

$$f(u)=\frac{1}{n} \sum_{x=0}^{N-1}f(x) e^{\frac{-j2\pi u x}{N}}$$

二维离散

三维离散

代码实现

OpenCV 实现傅里叶变换

输入的图像需要先转成32位浮点数

(DCT)离散余弦变换

(DWT)离散小波变换

参考资料

1. 《从零到一 • Python 图像处理及识别》 杨秀璋