Εδώ βλέπετε τις διαφορές μεταξύ της επιλεγμένης έκδοσης και της τρέχουσας έκδοσης της σελίδας.
python_image_processing [2015/07/25 12:24] evi |
python_image_processing [2020/11/21 09:52] |
||
---|---|---|---|
Γραμμή 1: | Γραμμή 1: | ||
- | ======Διαχείριση και επεξεργασία εικόνας στην γλώσσα προγραμματισμού Python====== | ||
- | |||
- | Στο wiki αυτό θα μάθουμε να διαχειριζόμαστε και γενικότερα επεξεργαζόμαστε πολυκάναλες εικόνες με την[[https:// | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | =====Εισαγωγή===== | ||
- | |||
- | Ελεύθερα βιβλία για τη[[https:// | ||
- | |||
- | Αρχικά να σημειωθεί (όπως μάλλον είναι γνωστό :-)), ότι μια εικόνα είναι ένα πλέγμα (πίνακας) με τιμές φωτεινότητας.\\ | ||
- | Στην python υπάρχουν πολλοί τρόποι για να " | ||
- | ===Βιβλιοθήκες Numpy και Scipy=== | ||
- | |||
- | **[[http:// | ||
- | |||
- | * Διαθέτει ένα βασικό τύπο δεδομένων, | ||
- | * Για τoν ndarray, υπάρχουν έτοιμες ρουτίνες για αριθμητική ανάλυση, | ||
- | *[[http:// | ||
- | |||
- | **[[http:// | ||
- | |||
- | ==Παράδειγμα πράξεων πινάκων== | ||
- | |||
- | #Αrray operations with numpy | ||
- | import numpy as np | ||
- | a = np.array([20, | ||
- | b = np.array([0, | ||
- | # array subtraction | ||
- | c = a=b | ||
- | c | ||
- | array([20, | ||
- | |||
- | ===== Εισαγωγή και απεικόνιση εικόνων ===== | ||
- | |||
- | - **Προσοχή**: | ||
- | - Ωστόσο, | ||
- | - Η πλέον κατάλληλη βιβλιοθήκη για ανάγνωση και εγγραφή τηλεπισκοπικών εικόνων είναι η **GDAL**. | ||
- | - Η βιβλιοθήκη **matplotlib** είναι μια από τις πιο ευέλικτες και εύχρηστες βιβλιοθήκες για απεικόνιση γραφημάτων (όπως πχ. ιστογραμμάτων) αλλά και εικόνων.\\ | ||
- | Διάβασμα εικόνας με τη scipy: | ||
- | import scipy as sp | ||
- | file = ' | ||
- | img = sp.misc.imread(file) | ||
- | Διαστάσεις εικόνας: | ||
- | # Get image dimensions | ||
- | img.shape | ||
- | |||
- | |||
- | |||