### 关于数字图像处理的第一个Python实验 以下是关于数字图像处理的第一个Python实验的详细介绍，涵盖了基本操作以及示例代码。 #### 1. 图像读取与显示 在数字图像处理中，第一步通常是将图像从磁盘加载到内存中并进行可视化。这可以通过 `Pillow` 或 `scikit-image` 等库完成[^2]。 ```python from skimage import io import matplotlib.pyplot as plt file_name = 'coffee.jpg' image = io.imread(fname=file_name) plt.imshow(image) plt.axis('off') # 不显示坐标轴 plt.show() ``` 上述代码展示了如何使用 `scikit-image` 和 `matplotlib` 来读取和显示一张名为 `coffee.jpg` 的图像。 --- #### 2. RGB通道分离与重组 了解图像的颜色组成是重要的一步。彩色图像是由红色 (R)、绿色 (G) 和蓝色 (B) 三个通道组成的矩阵集合[^4]。 ```python import numpy as np # 提取各通道 red_channel = image[:, :, 0] green_channel = image[:, :, 1] blue_channel = image[:, :, 2] # 显示单个通道 fig, axes = plt.subplots(1, 3, figsize=(15, 5)) axes[0].imshow(red_channel, cmap='gray') axes[0].set_title('Red Channel') axes[1].imshow(green_channel, cmap='gray') axes[1].set_title('Green Channel') axes[2].imshow(blue_channel, cmap='gray') axes[2].set_title('Blue Channel') for ax in axes: ax.axis('off') plt.show() # 合并通道 reconstructed_image = np.dstack((red_channel, green_channel, blue_channel)) plt.imshow(reconstructed_image) plt.title('Reconstructed Image') plt.axis('off') plt.show() ``` 此部分演示了如何提取和重新组合 RGB 通道。 --- #### 3. 对比度调整——伽马校正 伽马变换是一种常用的对比度增强技术。它能够改变图像的整体亮度分布[^3]。 ```python def gamma_correction(image, gamma=1.0): inv_gamma = 1 / gamma table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in range(256)], dtype=np.uint8) return cv2.LUT(image, table) gamma_corrected_image = gamma_correction(image, gamma=0.5) # 增加亮度 plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1), plt.imshow(image), plt.title('Original'), plt.axis('off') plt.subplot(1, 2, 2), plt.imshow(gamma_corrected_image), plt.title('Gamma Corrected'), plt.axis('off') plt.show() ``` 这段代码实现了伽马矫正功能，并允许用户指定不同的伽马值以观察效果变化。 --- #### 4. 使用NumPy进行基础运算 NumPy 是一种强大的数值计算工具，适用于各种图像处理任务中的数据操作[^1]。 ```python # 计算平均颜色 average_color_per_row = np.average(image, axis=0) average_color = np.average(average_color_per_row, axis=0).astype(int) print(f"Average Color: {average_color}") # 创建纯色背景 height, width = image.shape[:2] solid_background = np.zeros_like(image) + average_color.reshape(-1, 1, 3) plt.imshow(solid_background.astype(np.uint8)) plt.title('Solid Background with Average Color') plt.axis('off') plt.show() ``` 这里利用 NumPy 进行简单的统计分析，生成了一张具有相同均值颜色的纯色背景图。 --- ### 总结 以上内容覆盖了一个完整的初学者级别的 Python 数字图像处理实验流程，包括但不限于图像载入、RGB 分离、伽马矫正及简单数理运算等功能模块。