Python在数字图像处理课程教学中的应用探索

李志，陈入云

（广东海洋大学 数学与计算机学院，广东湛江 524088）

数字图像处理是目前信息类专业普遍开设的一门专业方向课。其理论深奥、实践性强，需要较好的算法理解能力和编程能力。通常，在大学开设该课程都会配置部分实验课时，而实验课的算法实现以及理论课的效果演示多采用MATLAB[1-2]。

近年来，Python 作为一种免费开源的编程语言，越来越受欢迎。在数字图像处理方面Python 也有一些功能强大的扩展库，且在相关联的深度学习等方面具有很大的优势。目前，Python 在图像处理领域的使用变得越来越普及，以Python 语言作为实验教学中的编程语言，已在一些院校得到应用[3-4]。

1 将Python作为图像处理实验语言的可行性

Python 与MATLAB 都是解释型的语言，语法简单，都能高效地进行数值计算，都支持矩阵和向量运算。在图像处理方面，MATLAB 有强大的图像处理工具箱，而Python 也有相应的功能强大的扩展库。不管是利用现成的函数，还是自编代码完成图像处理任务，Python 都能轻松胜任。

1.1 免费开源、使用成本低

Python 是开源免费的程序语言，围绕其开发的大多数扩展库都遵循开源的协议，使用成本小。学习者还可以通过学习源码，加深对原理和算法的理解，有效提高编程能力和代码质量。而MATLAB 是收费软件，且大多数函数的底层是封装起来的，使用者不能接触实际的实现代码。

1.2 众多的扩展库，满足功能需求

Python 语言处理图像可以用到的扩展库有Numpy、Matplotlib、Pillow、Scikit-mage、OpenCV。这些扩展库能极大地简化图像处理的工作。

Numpy 库提供基本的矩阵和数组运算，及各种数学函数。还提供了傅里叶变换的模块fft。

对图像处理而言，Matplotlib 库主要提供显示图像的功能，方便显示多子图以及图像标注。

Pillow 提供了基本的图像读取、显示、写入、几何变换、基本图形绘制、滤波、增强、颜色转换、形态学操作等的相关函数或方法。

Scikit-image 常简称为Skimage，用Numpy 数组表示图像数据，提供众多功能模块，可媲美MATLAB 的图像处理工具箱。

OpenCV 是跨平台的计算机视觉和机器学习软件库。由C/C++开发，提供了Python 接口。相对Skimage，OpenCV 更强大，可实现工业级的应用。

要满足数字图像处理的教学需要，可以使用Numpy 搭配Skimage，或者Numpy 搭配OpenCV。如果配合Jupyter notebook 一起使用，需导入Matplotlib 库，方便显示图像。

1.3 支持多平台，可移植性好

Python 代码可以方便地形成独立的可执行文件，并兼容多种操作系统。Python 还是面向对象的通用程序开发语言，除了数值计算，也是目前人工智能、深度学习、数据分析等方面使用最多的语言。而数字图像处理与人工智能等的联系日益紧密[5-6]，在图像处理中使用Python 替代MATLAB 将有很大的优势。

2 图像处理的实验内容安排及可用的Python实现

为了使学生理解图像处理的各种算法，了解算法的效果，掌握相关函数的用法，必须在教学中多做演示，并合理地安排实验内容。以下是笔者在教材Rafael C. Gonzalez 等著的《Digital Image Processing》中用Python 实现的实验内容。其中一部分作为上课时的演示内容，一部分作为实验课的实践环节。

2.1 图像的数据结构、图像的读写显示

Python 使用Numpy 数组表示图像数据，对图像的处理就是对Numpy 数组的操作。而Matplotlib、Pillow、Skimage、OpenCV 都支持Numpy，都有读写显示图像的函数。

2.2 图像的灰度变换与直方图处理

直接灰度变换就是对图像数据的Numpy 数组的运算。Pillow 的ImageOps 模块中的函数equalize()可实现直方图均衡化。Skimage 的exposure 模块中的equalize_hist()、match_histograms()分别用于实现直方图均衡化和直方图匹配。OpenCV 中，使用calcHist()计算直方图，equalizeHist()函数实现直方图均衡化。

2.3 图像的空域滤波

Pillow 库中图像对象的filter()方法或其ImageFilter模块提供的滤波器方法可实现空域滤波。Skimage 的filters 模块有大量的空域滤波函数，OpenCV 也提供了大量的空域滤波函数。

2.4 图像的傅里叶变换与频域滤波

Python 中Numpy 的fft 模块用于实现快速傅里叶变换相关的运算。OpenCV 中的dft2()和idft2()用于实现快速傅里叶变换和反变换。

频域滤波包括低通滤波、高通滤波、带通滤波、带阻滤波、同态滤波等。与MATLAB 一样，Python 没有提供频域滤波的现成的函数，可简单地使用Numpy 的数组运算和fft 模块实现。

2.5 图像的复原

图像复原包括去噪和退化图像的恢复。去噪可用空域滤波或频域滤波实现。退化图像的恢复主要包括逆滤波、维纳滤波、约束最小二乘方滤波等方法。Skimage 的restoration 模块提供了均值滤波、双边滤波、总变差去噪、小波去噪、维纳滤波等函数。也可根据算法原理直接编程实现逆滤波、维纳滤波。

2.6 其他图像变换

离散余弦变换可使用Scipy 的fft 模块下的dct、idct、dctn、idctn 等函数，也可以使用OpenCV 下的dct、idct 函数。哈达玛变换可利用Scipy 的linalg 模块下的hadamard 函数产生哈达玛矩阵。小波变换可使用PyWavelets 软件包实现。

2.7 形态学处理

形态学处理是图像预处理和特征提取的重要工具。Skimage 的morphology 模块中用于形态学操作。OpenCV 中也提供了相应的函数。

2.8 图像分割

图像分割主要包括边缘检测、阈值分割、分水岭算法、聚类与超像素分割等方法。

Skimage 的filters 模块包含了边缘检测算子和阈值分割的功能；segmentation 模块包含了分水岭算法、聚类与超像素分割等算法，以及活动轮廓分割、随机walker 分割等算法。此外，transform 模块中还包含了Hough 变换的相关函数，可以检测直线、圆、椭圆等。OpenCV 中同样有众多的函数可实现上述功能。

2.9 特征提取

Skimage 的feature 模块包含了查找斑点、canny 边缘检测、多种角点检测、灰度共生矩阵、纹理特征、梯度直方图等的函数。OpenCV 中除实现上述功能的函数外，还包含实现MSER、SIFT、SURF 以及ORB 等特征检测的函数。

2.10 综合实验

为了提高学生的学习能力及综合应用能力，应给学生安排一些有实际应用背景的问题，如人像的自动背景虚化、自动校正印刷品图片的畸变、逆光摄影中的人脸检测及增强等。这些问题有一定难度，可以让学生分组协作，作为课程设计的内容，并作为总评成绩的一部分，以对学生进行更全面的评价。

3 Python用于图像处理实验课的注意事项

Python 是面向对象的程序语言，相对MATLAB 而言学习难度稍大，在一些使用习惯上也有不同。笔者在近几年的教学中，同时使用这两种语言作为实验语言，总结了一些注意事项。

3.1 学生的编程基础

学生应已学习过Python 的基本语法，以及Numpy和Matplotlib，这样在实验中只需逐步学习使用Skimage、OpenCV 等扩展库即可。

在教学中，考虑到学生的实际编程基础，应允许学生在Python 和MATLAB 中自行选择，教师同时提供不同语言的实验内容指导。

3.2 以理解算法为实验课的重心

图像处理中需要用到大量现成的函数，部分学生对此不熟悉。但学习现成函数的用法不应是实验课的重心，这些可以提供资料让学生自学，教学的重心是引导学生理解算法原理并形成一定的实际应用能力。

所以，为了加深学生对算法原理的理解，提高学生的动手能力，降低学生对现成函数的依赖，应有意识地安排部分图像处理任务由学生自己编程完成。如直接灰度变换、直方图均衡化、图像的空域滤波、频域滤波、逆滤波、维纳滤波、伪彩色处理、Huffman 编码、算术编码、边缘提取等，其中难度较大的可设为选做。

3.3 Python 与MATLAB 的若干相似函数的差异

MATLAB 中使用函数imshow()显示图像，能自适应地显示多种格式图像。

Matplotlib 的pyplot 模块（简记为plt）中的imshow( )函数默认将灰度图像显示为伪彩色图像，需要添加参数cmap='gray'才能显示为灰度图像，且其显示亮度是经过拉伸的，并非其真实亮度。

Skimage 的io 模块中imshow()函数可以正常显示灰度图像，且不会自动将其灰度范围拉伸。但当图像数据是实数时，其值若超出[0,1]，则显示为伪彩色图像。

Numpy 中将图像数据由实数类型转换为uint8时，是按截断处理的，如256,257 经转换后会变成0,1。所以，图像数据img 转换为uint8 前，需先执行img[img＜0]=0; img [img＞255]=255，以得到正确范围的转换。

4 将Python作为实验语言的教学效果

笔者在近三年的数字图像处理的教学中改用Python 作为实验语言，经逐步摸索总结，取得了较好的教学效果。主要体现为以下几点：

（1）Python 的编程效率高，代码量少，使用相关的模块能简单地完成各种复杂的图像处理任务。没有对应的现成函数时，也能指导学生根据算法原理编程完成。使用Python 能很好地完成实验教学任务。

（2）学生学习使用Python 的热情高、自主性强。在熟悉Python 环境下的图像处理工具后，很多学生开始学习网上的一些开源的图像处理项目，它们往往是用Python 编写的。部分学生还接触到了Tensorflow、Keras 等深度学习算法开发工具，开阔了眼界，也提高了能力。

（3）一个额外的收获是，选用Python 做实验语言有利于学生就业。在学习和使用Python 处理图像的过程中，学生得到了更多的锻炼。从学生毕业实习的情况看，使用Python 处理图像的学生更受企业欢迎，符合企业的需求，能更顺利地找到理想的工作。

总之，Python 免费开源，语法简单，有众多的扩展库可以实现图像处理的各种算法，是图像处理编程的理想语言。在数字图像处理教学中，Python 值得推广，经合理地安排实验内容，能获得良好的教学效果。