More Related Content
Similar to 画像処理でのPythonの利用 (20)
More from Yasutomo Kawanishi (11)
画像処理でのPythonの利用
- 7. 画像処理まわりのPython
PIL(Python Imaging Library)
http://www.pythonware.com/library/pil/handbook/index.htm
OpenCV
http://docs.opencv.org/
scipy.ndimage
http://docs.scipy.org/doc/scipy/reference/ndimage.html
画像を扱うライブラリが充実してきた
- 8. PIL : Python Imaging Library
インストール： $ easy_install pil
一番手っ取り早く“画像処理”が出来る
画像の読み書き
フォーマット変換
サイズ，解像度変換
各種フィルタ処理
図形の描画
- 10. OpenCV
インストール： http://opencv.jp/download
Ubuntuなら
sudo apt-get install python-opencv
高度な処理が可能！
カメラからの入出力
様々な特徴抽出
顔認識
画像処理研究者の多くが利用
(C++での利用が主だと思うが)
画像は numpy.array 形式で扱う
shape=(高さ,幅,チャンネル数)，
dtype=numpy.uint8 です
- 11. OpenCV プログラム例
SURF特徴を取り出し，それを基に対応付け
import cv2
img1 = Image.open(“lena.jpg”)
img2 = Image.open(“lena_rotate.jpg”)
surfdetect = cv2.FeatureDetector_create(“SURF”)
surfextract = cv2.DescriptorExtractor_create(“SURF”)
keys1 = surfdetect.detect(img1)
keys2 = surfdetect.detect(img2)
keys1, features1 = surfextract.compute(img1, keys1)
keys2, features2 = surfextract.compute(img2, keys2)
- 12. OpenCV プログラム例
SURF特徴を取り出し，それを基に対応付け
（続き）
# 対応点を探索
dm = cv2.DescriptorMatcher_create(“BruteForce”)
match = dm.match(features1,features2)
# ↑対応する特徴点のインデックスの組みが入っている
# あとは頑張って可視化（省略）
# C++なら cv::drawMatchesという関数があるが
# Pythonでは見つけられなかった…
# 今後実装されるのかも
cv2.imshow(“result”, result)
cv2.waitKey()
- 13. OpenCV プログラム例
Haar-like特徴を使った顔検出
#!/usr/bin/env python
import cv2
cc = cv2.CascadeClassifier()
# 学習済みの識別器データを読み込み
cc.load("haarcascade_frontalface_alt.xml"):
img=cv2.imread("lena.jpg")
# 顔検出
faces = cc.detectMultiScale(img, 1.1)
#あとはfacesを画像に描画すればOK
- 16. PILとNumpyの相互変換
PIL -> Numpy
nimg = numpy.asarray(pimg)
Numpy -> PIL
pimg = Image.fromarray(nimg)
これで PIL/numpy/scipy/OpenCV の関数
が自由に利用できる！
- 21. 主成分分析のPython実装
主成分分析
OpenCV
cv2.PCACompute()
scikit-learn
sklearn.decomposition.PCA()
固有値・固有ベクトルの計算(を個別にやる場合)
numpy.linalg.eig()
scipy.linalg.eig()
注意点：教科書的にはデータxは列ベクトルだけど，
プログラム的には行ベクトルで扱う
- 22. OpenCV プログラム例
# 頑張って各行に画像を入れる (imgvec=numpy.reshape(img,1)を使用)
images = load_to_mat(filenames)
# PCAする（３次元空間へ）
mean, eigenvectors =
cv2.PCACompute( images, maxComponents=3)
# 背景を推定したい画像
img = cv2.imread(“input.bmp”)
# 固有空間へ投影
vec = cv2.project(img, mean, eigenvectors)
# 画像を復元
bgimg=cv2.backProject(vec, mean, eigenvectors)
あとは img と bgimg を引き算すればOK
- 24. Scikit-learn プログラム例
import sklearn.decomposition
# 線形カーネルでKernel PCA (たぶんDual PCAと同じ)
kpca = sklearn.decomposition.KernelPCA(kernel=“linear",
fit_inverse_transform=True)
# 1行が1枚の画像になっている行列をもとに学習（とても時間がかかる）
kpca.transform(images)
# 背景を推定したい画像
img = cv2.imread(“input.bmp”).reshape(1)
# 固有空間へ投影
vec = kpca.transform(img)
# 画像を復元
bgimg = kpca.inverse_transform(vec)
- 25. 物体領域の計算
背景差分法
- =
観測画像 img 背景画像 bimg 差分画像 result
# 画像同士の差を取る
diff = cv2.absdiff(img,bimg)
# しきい値以上の画素を選択
fgmask = diff < threshold
# 差分結果の画像を生成
result=numpy.zeros(img.shape[0:2], dtype=numpy.uint8)
result[ fgmask] = 255
