Python在數字圖像處理課程教學中的應用探索

李志，陳入云

（廣東海洋大學 數學與計算機學院，廣東湛江 524088）

數字圖像處理是目前信息類專業普遍開設的一門專業方向課。其理論深奧、實踐性強，需要較好的算法理解能力和編程能力。通常，在大學開設該課程都會配置部分實驗課時，而實驗課的算法實現以及理論課的效果演示多采用MATLAB[1-2]。

近年來，Python 作為一種免費開源的編程語言，越來越受歡迎。在數字圖像處理方面Python 也有一些功能強大的擴展庫，且在相關聯的深度學習等方面具有很大的優勢。目前，Python 在圖像處理領域的使用變得越來越普及，以Python 語言作為實驗教學中的編程語言，已在一些院校得到應用[3-4]。

1 將Python作為圖像處理實驗語言的可行性

Python 與MATLAB 都是解釋型的語言，語法簡單，都能高效地進行數值計算，都支持矩陣和向量運算。在圖像處理方面，MATLAB 有強大的圖像處理工具箱，而Python 也有相應的功能強大的擴展庫。不管是利用現成的函數，還是自編代碼完成圖像處理任務，Python 都能輕松勝任。

1.1 免費開源、使用成本低

Python 是開源免費的程序語言，圍繞其開發的大多數擴展庫都遵循開源的協議，使用成本小。學習者還可以通過學習源碼，加深對原理和算法的理解，有效提高編程能力和代碼質量。而MATLAB 是收費軟件，且大多數函數的底層是封裝起來的，使用者不能接觸實際的實現代碼。

1.2 眾多的擴展庫，滿足功能需求

Python 語言處理圖像可以用到的擴展庫有Numpy、Matplotlib、Pillow、Scikit-mage、OpenCV。這些擴展庫能極大地簡化圖像處理的工作。

Numpy 庫提供基本的矩陣和數組運算，及各種數學函數。還提供了傅里葉變換的模塊fft。

對圖像處理而言，Matplotlib 庫主要提供顯示圖像的功能，方便顯示多子圖以及圖像標注。

Pillow 提供了基本的圖像讀取、顯示、寫入、幾何變換、基本圖形繪制、濾波、增強、顏色轉換、形態學操作等的相關函數或方法。

Scikit-image 常簡稱為Skimage，用Numpy 數組表示圖像數據，提供眾多功能模塊，可媲美MATLAB 的圖像處理工具箱。

OpenCV 是跨平臺的計算機視覺和機器學習軟件庫。由C/C++開發，提供了Python 接口。相對Skimage，OpenCV 更強大，可實現工業級的應用。

要滿足數字圖像處理的教學需要，可以使用Numpy 搭配Skimage，或者Numpy 搭配OpenCV。如果配合Jupyter notebook 一起使用，需導入Matplotlib 庫，方便顯示圖像。

1.3 支持多平臺，可移植性好

Python 代碼可以方便地形成獨立的可執行文件，并兼容多種操作系統。Python 還是面向對象的通用程序開發語言，除了數值計算，也是目前人工智能、深度學習、數據分析等方面使用最多的語言。而數字圖像處理與人工智能等的聯系日益緊密[5-6]，在圖像處理中使用Python 替代MATLAB 將有很大的優勢。

2 圖像處理的實驗內容安排及可用的Python實現

為了使學生理解圖像處理的各種算法，了解算法的效果，掌握相關函數的用法，必須在教學中多做演示，并合理地安排實驗內容。以下是筆者在教材Rafael C. Gonzalez 等著的《Digital Image Processing》中用Python 實現的實驗內容。其中一部分作為上課時的演示內容，一部分作為實驗課的實踐環節。

2.1 圖像的數據結構、圖像的讀寫顯示

Python 使用Numpy 數組表示圖像數據，對圖像的處理就是對Numpy 數組的操作。而Matplotlib、Pillow、Skimage、OpenCV 都支持Numpy，都有讀寫顯示圖像的函數。

2.2 圖像的灰度變換與直方圖處理

直接灰度變換就是對圖像數據的Numpy 數組的運算。Pillow 的ImageOps 模塊中的函數equalize()可實現直方圖均衡化。Skimage 的exposure 模塊中的equalize_hist()、match_histograms()分別用于實現直方圖均衡化和直方圖匹配。OpenCV 中，使用calcHist()計算直方圖，equalizeHist()函數實現直方圖均衡化。

2.3 圖像的空域濾波

Pillow 庫中圖像對象的filter()方法或其ImageFilter模塊提供的濾波器方法可實現空域濾波。Skimage 的filters 模塊有大量的空域濾波函數，OpenCV 也提供了大量的空域濾波函數。

2.4 圖像的傅里葉變換與頻域濾波

Python 中Numpy 的fft 模塊用于實現快速傅里葉變換相關的運算。OpenCV 中的dft2()和idft2()用于實現快速傅里葉變換和反變換。

頻域濾波包括低通濾波、高通濾波、帶通濾波、帶阻濾波、同態濾波等。與MATLAB 一樣，Python 沒有提供頻域濾波的現成的函數，可簡單地使用Numpy 的數組運算和fft 模塊實現。

2.5 圖像的復原

圖像復原包括去噪和退化圖像的恢復。去噪可用空域濾波或頻域濾波實現。退化圖像的恢復主要包括逆濾波、維納濾波、約束最小二乘方濾波等方法。Skimage 的restoration 模塊提供了均值濾波、雙邊濾波、總變差去噪、小波去噪、維納濾波等函數。也可根據算法原理直接編程實現逆濾波、維納濾波。

2.6 其他圖像變換

離散余弦變換可使用Scipy 的fft 模塊下的dct、idct、dctn、idctn 等函數，也可以使用OpenCV 下的dct、idct 函數。哈達瑪變換可利用Scipy 的linalg 模塊下的hadamard 函數產生哈達瑪矩陣。小波變換可使用PyWavelets 軟件包實現。

2.7 形態學處理

形態學處理是圖像預處理和特征提取的重要工具。Skimage 的morphology 模塊中用于形態學操作。OpenCV 中也提供了相應的函數。

2.8 圖像分割

圖像分割主要包括邊緣檢測、閾值分割、分水嶺算法、聚類與超像素分割等方法。

Skimage 的filters 模塊包含了邊緣檢測算子和閾值分割的功能；segmentation 模塊包含了分水嶺算法、聚類與超像素分割等算法，以及活動輪廓分割、隨機walker 分割等算法。此外，transform 模塊中還包含了Hough 變換的相關函數，可以檢測直線、圓、橢圓等。OpenCV 中同樣有眾多的函數可實現上述功能。

2.9 特征提取

Skimage 的feature 模塊包含了查找斑點、canny 邊緣檢測、多種角點檢測、灰度共生矩陣、紋理特征、梯度直方圖等的函數。OpenCV 中除實現上述功能的函數外，還包含實現MSER、SIFT、SURF 以及ORB 等特征檢測的函數。

2.10 綜合實驗

為了提高學生的學習能力及綜合應用能力，應給學生安排一些有實際應用背景的問題，如人像的自動背景虛化、自動校正印刷品圖片的畸變、逆光攝影中的人臉檢測及增強等。這些問題有一定難度，可以讓學生分組協作，作為課程設計的內容，并作為總評成績的一部分，以對學生進行更全面的評價。

3 Python用于圖像處理實驗課的注意事項

Python 是面向對象的程序語言，相對MATLAB 而言學習難度稍大，在一些使用習慣上也有不同。筆者在近幾年的教學中，同時使用這兩種語言作為實驗語言，總結了一些注意事項。

3.1 學生的編程基礎

學生應已學習過Python 的基本語法，以及Numpy和Matplotlib，這樣在實驗中只需逐步學習使用Skimage、OpenCV 等擴展庫即可。

在教學中，考慮到學生的實際編程基礎，應允許學生在Python 和MATLAB 中自行選擇，教師同時提供不同語言的實驗內容指導。

3.2 以理解算法為實驗課的重心

圖像處理中需要用到大量現成的函數，部分學生對此不熟悉。但學習現成函數的用法不應是實驗課的重心，這些可以提供資料讓學生自學，教學的重心是引導學生理解算法原理并形成一定的實際應用能力。

所以，為了加深學生對算法原理的理解，提高學生的動手能力，降低學生對現成函數的依賴，應有意識地安排部分圖像處理任務由學生自己編程完成。如直接灰度變換、直方圖均衡化、圖像的空域濾波、頻域濾波、逆濾波、維納濾波、偽彩色處理、Huffman 編碼、算術編碼、邊緣提取等，其中難度較大的可設為選做。

3.3 Python 與MATLAB 的若干相似函數的差異

MATLAB 中使用函數imshow()顯示圖像，能自適應地顯示多種格式圖像。

Matplotlib 的pyplot 模塊（簡記為plt）中的imshow( )函數默認將灰度圖像顯示為偽彩色圖像，需要添加參數cmap='gray'才能顯示為灰度圖像，且其顯示亮度是經過拉伸的，并非其真實亮度。

Skimage 的io 模塊中imshow()函數可以正常顯示灰度圖像，且不會自動將其灰度范圍拉伸。但當圖像數據是實數時，其值若超出[0,1]，則顯示為偽彩色圖像。

Numpy 中將圖像數據由實數類型轉換為uint8時，是按截斷處理的，如256,257 經轉換后會變成0,1。所以，圖像數據img 轉換為uint8 前，需先執行img[img＜0]=0; img [img＞255]=255，以得到正確范圍的轉換。

4 將Python作為實驗語言的教學效果

筆者在近三年的數字圖像處理的教學中改用Python 作為實驗語言，經逐步摸索總結，取得了較好的教學效果。主要體現為以下幾點：

（1）Python 的編程效率高，代碼量少，使用相關的模塊能簡單地完成各種復雜的圖像處理任務。沒有對應的現成函數時，也能指導學生根據算法原理編程完成。使用Python 能很好地完成實驗教學任務。

（2）學生學習使用Python 的熱情高、自主性強。在熟悉Python 環境下的圖像處理工具后，很多學生開始學習網上的一些開源的圖像處理項目，它們往往是用Python 編寫的。部分學生還接觸到了Tensorflow、Keras 等深度學習算法開發工具，開闊了眼界，也提高了能力。

（3）一個額外的收獲是，選用Python 做實驗語言有利于學生就業。在學習和使用Python 處理圖像的過程中，學生得到了更多的鍛煉。從學生畢業實習的情況看，使用Python 處理圖像的學生更受企業歡迎，符合企業的需求，能更順利地找到理想的工作。

總之，Python 免費開源，語法簡單，有眾多的擴展庫可以實現圖像處理的各種算法，是圖像處理編程的理想語言。在數字圖像處理教學中，Python 值得推廣，經合理地安排實驗內容，能獲得良好的教學效果。