python 图像切片-python 图像区域分割

01 引入 Matplotlib

如果已安装Anaconda Python版本，就已经安装好了可以使用的 Matplotlib。否则，可能要访问官网并从中获取安装说明：

正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：

In [ 1]: importmatplotlib asmpl

In [ 2]: importmatplotlib.pyplot asplt

在本书中，plt接口会被频繁使用。

02 生成一个简单的绘图

让我们创建第一个绘图。

假设想要画出正弦函数sin(x)的线性图。得到函数在x坐标轴上0≤x＜10内所有点的值。我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：

In [ 3]: importnumpy asnp

In [ 4]: x = np.linspace( 0, 10, 100)

可以使用 NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：

In [ 5]: plt.plot(x, np.sin(x))

你亲自尝试了吗？发生了什么吗？有没有什么东西出现？

实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。有下面几种可能性：

1. 从.py脚本中绘图

如果从一个脚本中运行 Matplotlib，需要加上下面的这行调用：

plt.show()

在脚本末尾调用这个函数，你的绘图就会出现！

2. 从 IPython shell 中绘图

这实际上是交互式地执行Matplotlib最方便的方式。为了让绘图出现，需要在启动 IPython 后使用所谓的%matplotlib魔法命令。

In [ 1]: %matplotlib

Using matplotlib backend: TkAgg

In [ 2]: importmatplotlib.pyplot asplt

接下来，无须每次调用plt.show()函数，所有的绘图将会自动出现。

3. 从 Jupyter Notebook 中绘图

如果你是从基于浏览器的 Jupyter Notebook 中看这段代码，需要使用同样的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入图形，这会有两种输出选项：

在本书中，将会使用inline选项：

In [ 6]: %matplotlib inline

现在再次尝试一下：

In [ 7]: plt.plot(x, np.sin(x))

Out[ 7]: [0x7f3aac426eb8>]

上面的命令会得到下面的绘图输出结果：

▲使用 Matplotlib 绘制正弦函数图像

如果想要把绘图保存下来留作以后使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：

In [ 8]: plt.savefig( 'figures/02.03-sine.png')

仅需要确保你使用了支持的文件后缀，比如.jpg、.png、.tif、.svg、.eps或者.pdf。

Tips：可以在引入Matplotlib后通过运行plt.style.use(style_name)来修改绘图的风格。所有可用的风格在plt.style.available中列出。比如，尝试使用plt.style.use('fivethirtyeight')、plt.style.use('ggplot')或者plt.style.use('seaborn-dark')。为了更好玩，可以运行plt.xkcd()，然后尝试绘制一些别的图形。

03 可视化外部数据集的数据

作为本章最后一个测试，让我们对外部数据集进行可视化，比如scikit-learn中的数字数据集。

为此，需要三个可视化工具：

那么开始引入这些包吧：

In [ 1]: importnumpy asnp

... fromsklearn importdatasets

... importmatplotlib.pyplot asplt

... % matplotlib inline

第一步是载入实际数据：

In [ 2]: digits = datasets.load_digits()

如果没记错的话，digits应该有两个不同的数据域：data域包含了真正的图像数据，target域包含了图像的标签。相对于相信我们的记忆，我们还是应该对digits稍加探索。输入它的名字，添加一个点号python 图像切片，然后按Tab键：digits.，这个操作将向我们展示digits也包含了一些其他的域，比如一个名为images的域。images和data这两个域，似乎简单从形状上就可以区分。

In [ 3]: print(digits.data.shape)

... print(digits.images.shape)

Out[ 3]: ( 1797, 64)

... ( 1797, 8, 8)

两种情况中python 图像切片，第一维对应的都是数据集中的图像数量。然而，data中所有像素都在一个大的向量中排列，而images保留了各个图像8×8的空间排列。

因此，如果想要绘制出一副单独的图像，使用images将更加合适。首先，使用NumPy的数组切片从数据集中获取一幅图像：

In [ 4]: img = digits.images[ 0, :, :]

这里是从1797个元素的数组中获取了它的第一行数据，这行数据对应的是8×8=64个像素。下面就可以使用plt中的imshow函数来绘制这幅图像：

In [ 5]: plt.imshow(img, cmap= 'gray')

Out[ 5]: 0x7efcd27f30f0>

上面的命令得到下面的输出：

▲数字数据集中的一个图像样例

此外，这里也使用cmap参数指定了一个颜色映射。默认情况下，Matplotlib 使用MATLAB默认的颜色映射jet。然而，在灰度图像的情况下，gray颜色映射更有效。

最后，可以使用plt的subplot函数绘制全部数字的样例。subplot函数与MATLAB中的函数一样，需要指定行数、列数以及当前的子绘图索引（从1开始计算）。我们将使用for 循环在数据集中迭代出前十张图像，每张图像都分配到一个单独的子绘图中。

In [ 6]: forimage_index inrange( 10):

... # 图像按0开始索引，子绘图按1开始索引

... subplot_index = image_index + 1

... plt.subplot( 2, 5, subplot_index)

... plt.imshow(digits.images[image_index, :, :], cmap= 'gray')

这会得到下面的输出结果：

▲数字数据集中的十幅样例图像

Tips：另一个拥有各种数据集资源的是我的母校——加利福尼亚大学欧文分校的机器学习仓库：

关于作者：Michael Beyeler，华盛顿大学神经工程和数据科学专业的博士后，主攻仿生视觉计算模型，用以为盲人植入人工视网膜（仿生眼睛），改善盲人的视觉体验。 他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。同时他也是多个开源项目的积极贡献者。

本文摘编自《机器学习：使用OpenCV和Python进行智能图像处理》，经出版方授权发布。