So extrahieren Sie mit Python Texturen aus Bildern

So extrahieren Sie mit Python Texturen aus Bildern

Einführung: Die Texturextraktion ist eine wichtige Technologie in der Bildverarbeitung, mit der Texturmerkmale aus Bildern für die Bildanalyse, Klassifizierung, Zuordnung und andere Aufgaben extrahiert werden können. Als beliebte Programmiersprache verfügt Python über eine Fülle von Bildverarbeitungsbibliotheken und -tools wie PIL, opencv-python usw. In diesem Artikel wird erläutert, wie Sie mit Python Texturen aus Bildern extrahieren und Codebeispiele anhängen.

1. Notwendige Bibliotheken installieren und importieren
Bevor wir beginnen, müssen wir einige notwendige Bibliotheken installieren und importieren, darunter PIL, opencv-python und numpy. Sie können pip verwenden, um sie zu installieren:

$ pip install Pillow
$ pip install opencv-python
$ pip install numpy

Der Code zum Importieren der erforderlichen Bibliotheken lautet wie folgt:

import cv2
import numpy as np
from PIL import Image

2. Bilder lesen und anzeigen
Zuerst müssen wir ein zu verarbeitendes Bild lesen und anzeigen. Hier haben wir ein natürliches Landschaftsbild ausgewählt und es als „texture.jpg“ gespeichert.

# 读取图片
image = Image.open("texture.jpg")
# 显示图片
image.show()

3. Konvertieren Sie das Bild in ein Graustufenbild. Die Texturextraktion wird im Allgemeinen an einem Graustufenbild durchgeführt, daher müssen wir das gelesene Farbbild in ein Graustufenbild konvertieren.

# 转换为灰度图像
gray_image = image.convert("L")
# 显示灰度图像
gray_image.show()

Die Graustufen-Kookkurrenzmatrix ist eine gängige Methode zur Texturanalyse, die die Graustufenänderungen und räumlichen Beziehungen zwischen Pixeln beschreiben kann.

Zuerst müssen wir das Graustufenbild für die anschließende Verarbeitung in ein Numpy-Array konvertieren.

# 将灰度图像转换为numpy数组
gray_array = np.array(gray_image)

Nach dem Login kopieren

Als nächstes können wir die Funktion
2. in der cv2-Bibliothek verwenden, um die Graustufen-Koexistenzmatrix zu berechnen. Diese Funktion erfordert die Eingabe eines Graustufenbildes und einiger Parameter, wie z. B. die Anzahl der Graustufen, Pixelintervalle, Bildhöhe und -breite usw. cv2.calcHist()

# 计算灰度共生矩阵
glcm = cv2.calcHist([gray_array], [0], None, [256], [0, 256])

Nach dem Login kopieren

Schließlich können wir die Graustufen-Kookkurrenzmatrix normalisieren, um die nachfolgende Analyse und Merkmalsextraktion zu erleichtern.

# 规范化灰度共生矩阵
glcm /= glcm.sum()

Nach dem Login kopieren

Nachdem wir die Graustufen-Kookkurrenzmatrix erhalten haben, können wir damit einige allgemeine Texturmerkmale extrahieren, wie z. B. Energie, Kontrast, Korrelation und Gleichmäßigkeit (Homogenität) usw.

Energie (Energie): Wird zur Messung der Klarheit der Textur verwendet. Die Berechnungsformel lautet, dass die Energie gleich der Summe der Quadrate jedes Elements in der Graustufen-Koexistenzmatrix ist.

# 计算能量（energy）
energy = np.sum(glcm ** 2)
print("能量：", energy)

Nach dem Login kopieren

Kontrast: Wird verwendet, um den Kontrast zwischen Graustufen in einer Textur zu messen. Die Berechnungsformel lautet, dass der Kontrast gleich der Summe jedes Elements in der Graustufen-Koexistenzmatrix multipliziert mit der Pixeldifferenz an der entsprechenden Position ist.

# 计算对比度（contrast）
contrast = np.sum(glcm * np.abs(np.arange(256) - np.arange(256)[:,None]))
print("对比度：", contrast)

Nach dem Login kopieren

Korrelation: Wird verwendet, um die lineare Korrelation von Texturen zu messen. Die Berechnungsformel lautet, dass die Korrelation gleich der Summe der Produkte jedes Elements in der Graustufen-Koexistenzmatrix multipliziert mit dem Pixel an der entsprechenden Position ist.

# 计算相关性（correlation）
correlation = np.sum(glcm * (np.arange(256) - np.mean(glcm)) * (np.arange(256)[:,None] - np.mean(glcm))) / (np.std(glcm) ** 2)
print("相关性：", correlation)

Nach dem Login kopieren

Homogenität: Wird verwendet, um die Glätte zwischen Graustufen in einer Textur zu messen. Die Berechnungsformel lautet, dass die Gleichmäßigkeit gleich der Summe jedes Elements in der Graustufen-Koexistenzmatrix geteilt durch die Pixeldifferenz an der entsprechenden Position ist.

# 计算均匀性（homogeneity）
homogeneity = np.sum(glcm / (1 + np.abs(np.arange(256) - np.arange(256)[:,None])))
print("均匀性：", homogeneity)

Nach dem Login kopieren
6. Zusammenfassung

In diesem Artikel erfahren Sie, wie Sie mit Python Texturen aus Bildern extrahieren und wie Sie allgemeine Texturmerkmale berechnen. Durch die Verwendung von PIL und opencv-python, zwei häufig verwendeten Bildverarbeitungsbibliotheken, können wir Bilder einfach lesen und anzeigen, Bilder in Graustufenbilder konvertieren und die Graustufen-Koexistenzmatrix des Bildes berechnen. Nachdem wir die Graustufen-Kookkurrenzmatrix erhalten hatten, führten wir auch die Berechnung gemeinsamer Texturmerkmale ein, einschließlich Energie, Kontrast, Korrelation und Gleichmäßigkeit.


Die Texturanalyse ist eine wichtige Forschungsrichtung im Bereich Computer Vision und spielt eine wichtige Rolle bei der Bildanalyse, Klassifizierung, dem Abruf und anderen Aufgaben. Ich hoffe, dass dieser Artikel für Leser hilfreich ist, die die Texturextraktionstechnologie erlernen und anwenden.

Das obige ist der detaillierte Inhalt vonSo extrahieren Sie mit Python Texturen aus Bildern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!