使用 R 处理图像

在 R 中进行图像处理,使用像 imager 这样的包,可以实现强大的数字图像分析和处理。本博客将基于"图像数据分析"文档的概念,演示使用 imager 包进行的关键技术------图像增强、去噪和直方图均衡化,并通过可视化结果展示这些效果。

理解数字图像

数字图像是一个二维函数 f ( x , y ) : R 2 → R f(x, y): \mathbb{R}^2 \rightarrow \mathbb{R} f(x,y):R2→R,其中 ( x , y ) (x, y) (x,y) 是空间坐标, f ( x , y ) f(x, y) f(x,y) 表示像素强度。在数字图像中,像素具有离散的位置和值。对于8位灰度图像,强度范围从0(黑色)到255(白色)。图像可分为以下类别:

  • 二值图像:像素值为0(黑色)或1(白色)
  • 灰度图像 :像素值在 { 0 , ... , 255 } \{0, \ldots, 255\} {0,...,255} 范围内
  • 彩色图像 :三个通道(RGB),每个通道的值在 { 0 , ... , 255 } \{0, \ldots, 255\} {0,...,255} 范围内

使用 imager 处理图像

imager 包基于CImg构建,支持图像的加载、处理和可视化。下面,我们将使用内置的"parrots.png"图像,通过代码和可视化输出来演示关键操作。

1. 图像获取

加载并显示图像:

r 复制代码
library(imager)
file <- system.file('extdata/parrots.png', package='imager')
img <- load.image(file)
plot(img, main="原始鹦鹉图像")

结果

2. 图像增强(模糊)

模糊处理可以增强特定应用中的图像,例如平滑细节:

r 复制代码
img_blurry <- isoblur(img, sigma=10)
plot(img_blurry, main="模糊图像 (sigma=10)")

结果

注意:模糊后的图像更加平滑,减少了羽毛纹理等细节。

3. 图像去噪

去噪可以在保持结构的同时去除噪声。添加噪声并应用各向异性模糊:

r 复制代码
img_noisy <- img + 0.5 * rnorm(prod(dim(img)))
img_denoised <- blur_anisotropic(img_noisy, ampl=1e3, sharp=0.3)
layout(t(1:2))
plot(img_noisy, main="含噪图像")
plot(img_denoised, main="去噪后图像(各向异性)")

结果

注意:含噪图像显示随机斑点,而去噪后的图像恢复了清晰度,同时保持了边缘特征。

4. 直方图均衡化

直方图均衡化通过重新分配像素强度来增强对比度:

r 复制代码
img_gray <- grayscale(img)
f <- ecdf(img_gray)
img_equalized <- f(img_gray) %>% as.cimg(dim=dim(img_gray))
layout(t(1:2))
plot(img_gray, main="灰度图像")
plot(img_equalized, main="直方图均衡化后图像")

结果

注意:均衡化后的图像对比度得到改善,使得颜色变化等细节更加明显。

5. 形态学处理

通过强度进行阈值分割对象:

r 复制代码
img_gray <- grayscale(img)
threshold(img_gray, "20%") %>% plot(main="阈值处理后图像 (20%)")

结果

注意:阈值处理创建了一个二值图像,突出显示了较亮区域(如白色羽毛)与较暗区域的对比。

6. 完整代码

r 复制代码
library(imager)

# 设置保存图像的目录(可选:如果不存在则创建)
output_dir <- "plots"
if (!dir.exists(output_dir)) {
  dir.create(output_dir)
}

# 图像获取
file <- system.file('extdata/parrots.png', package='imager')
img <- load.image(file)
plot(img, main="原始鹦鹉图像")
dev.copy(png, file.path(output_dir, "original_parrots.png"))
dev.off()

# 图像增强(模糊)
img_blurry <- isoblur(img, sigma=10)
plot(img_blurry, main="模糊图像 (sigma=10)")
dev.copy(png, file.path(output_dir, "blurred_parrots.png"))
dev.off()

# 图像去噪
img_noisy <- img + 0.5 * rnorm(prod(dim(img)))
img_denoised <- blur_anisotropic(img_noisy, ampl=1e3, sharp=0.3)
layout(t(1:2))
plot(img_noisy, main="含噪图像")
plot(img_denoised, main="去噪后图像(各向异性)")
dev.copy(png, file.path(output_dir, "noisy_vs_denoised_parrots.png"))
dev.off()

# 直方图均衡化
img_gray <- grayscale(img)
f <- ecdf(img_gray)
img_equalized <- f(img_gray) %>% as.cimg(dim=dim(img_gray))
layout(t(1:2))
plot(img_gray, main="灰度图像")
plot(img_equalized, main="直方图均衡化后图像")
dev.copy(png, file.path(output_dir, "grayscale_vs_equalized_parrots.png"))
dev.off()

# 形态学处理
img_gray <- grayscale(img)
threshold(img_gray, "20%") %>% plot(main="阈值处理后图像 (20%)")
dev.copy(png, file.path(output_dir, "thresholded_parrots.png"))
dev.off()

应用场景

R中的图像处理应用于以下领域:

  • 汽车工业:车道检测、障碍物警告
  • 医疗:诊断成像、手术辅助
  • 安防:人脸识别、监控
  • 媒体:特效、图像编辑

结论

R中的 imager 包简化了图像处理任务,如增强、去噪和直方图均衡化。可视化结果展示了这些技术如何转换图像,改善质量或提取特征。探索 imagerimagerExtra 以进行更高级的应用。

资源

相关推荐
中國龍在廣州17 小时前
哈工大提出空间机器人复合框架,突破高精度轨迹跟踪
人工智能·深度学习·机器学习·计算机视觉·机器人
liulilittle18 小时前
Unix/Linux 平台通过 IP 地址获取接口名的 C++ 实现
linux·开发语言·c++·tcp/ip·unix·编程语言
Nerd Nirvana18 小时前
C++编程——异步处理、事件驱动编程和策略模式
开发语言·c++·策略模式·嵌入式开发·事件驱动·异步处理
那雨倾城18 小时前
PiscCode轨迹跟踪Mediapipe + OpenCV进阶:速度估算
图像处理·人工智能·python·opencv·计算机视觉
2501_9200470318 小时前
bash自带的切片操作
开发语言·python·bash
会当临19 小时前
【c++】四种类型转换形式
开发语言·c++
xxy.c19 小时前
嵌入式解谜日志—多路I/O复用
linux·运维·c语言·开发语言·前端
数据爬坡ing19 小时前
C++ 类库管理系统的分析与设计:面向对象开发全流程实践
java·运维·开发语言·c++·软件工程·软件构建·运维开发
FutureUniant19 小时前
GitHub每日最火火火项目(9.5)
人工智能·microsoft·计算机视觉·ai·github
DKPT19 小时前
JVM新生代和老生代比例如何设置?
java·开发语言·jvm·笔记·学习