### 数字图像处理中的Python实现 #### 使用`skimage`库读取并显示图像 为了展示如何利用Python进行基本的数字图像处理，下面提供了一个简单的例子来说明怎样使用`skimage`库读取一张JPEG格式的照片，并将其转换成NumPy数组以便进一步的操作。 ```python from skimage import io import matplotlib.pyplot as plt file_name = 'coffee.jpg' image = io.imread(fname=file_name) plt.figure() plt.imshow(image) plt.axis('off') # 不显示坐标轴 plt.show() ``` 这段代码展示了如何加载一幅名为`coffee.jpg`的图片到内存中作为NumPy数组存储，并通过Matplotlib库来进行可视化[^2]。 #### 利用PIL库执行相同任务 除了`skimage`之外，另一个常用的工具是Python Imaging Library (PIL)，它同样可以方便地完成类似的图像载入工作。这里给出一段基于PIL的例子： ```python from PIL import Image import numpy as np import matplotlib.pyplot as plt img_PIL = Image.open('test.jpg') img_array = np.array(img_PIL) print(f'Type of the image array: {type(img_array)}') print(f'Shape of the image array: {img_array.shape}') print(f'Size of the image array: {img_array.size}') plt.figure() plt.imshow(img_array) plt.title("Image Displayed using Matplotlib and PIL") plt.axis('off') plt.show() ``` 此段脚本不仅实现了图像的导入与呈现，还额外打印出了有关该图像的一些基本信息，比如其数据类型的类别、形状以及总的像素数量等属性[^3]。 #### 应用Log-Gabor滤波器于图像增强 对于更复杂的图像处理需求，如边缘检测或是噪声去除等领域，则可能需要用到特定的技术手段——例如Log-Gabor滤波器。这种技术已经被广泛应用于多个方面，包括但不限于图像增强、轮廓提取等方面的工作中[^4]。 ```python from skimage.filters import gabor_kernel from scipy import ndimage as ndi import numpy as np import matplotlib.pyplot as plt def log_gabor_filter(image, frequency=0.1): sigma_x = 1 / frequency sigma_y = sigma_x * 0.5 kernel = gabor_kernel(frequency=frequency, theta=np.pi/2, bandwidth=sigma_x/sigma_y, n_stds=3) filtered_real = ndi.convolve(image, kernel.real, mode='wrap') return filtered_real # 假设我们已经有了一个灰度图像是image_gray形式存在的变量 filtered_image = log_gabor_filter(image_gray) fig, ax = plt.subplots(ncols=2, figsize=(8, 4)) ax[0].imshow(image_gray, cmap='gray') ax[0].set_title('Original Gray Scale Image') ax[0].axis('off') ax[1].imshow(filtered_image, cmap='gray') ax[1].set_title('Filtered with Log-Gabor Filter') ax[1].axis('off') plt.tight_layout() plt.show() ``` 上述代码片段定义了一个函数`log_gabor_filter()`用来创建并应用Log-Gabor滤波器给输入的一张灰度化后的图像上；接着分别展示了原始图像及其经过过滤后的效果对比图。