图像裁剪

让我们使用选择行和列范围的方法从图像中提取更大的部分。这也称为裁剪图像。

让我们这次使用不同的图片。让我们看看它的样子。

• 
  
  >> img = imread('bicyle.png');
  
  
• 
  
  >> imshow(img);
  
  
  

Ok，那里有经典的两轮车。

我们先来检查一下图像的大小。

>> disp(size(img));

好的，320*500。

裁剪此图像时，我们希望我们的限制在此范围内。

假设我们想要选择行110到310以及列10到160。

• 
  
  >> cropped = img(110:310, 10:160);
  
  
• 
  
  >> imshow(cropped);
  
  
  

那是前轮。没有意义。

那么裁剪图像的大小是多少？

和以前一样，让我们使用size函数。

>> disp(size(cropped));

好的，201*151。

但这那令人惊讶吗？为什么不是200×150呢?

我们回顾一下从310到160的范围。注意，在这两个范围内，限制都是包括在内的。

这就是为什么第一个范围，从110到310，包含201个不同的行。同样，10到160包含151个不同的列。

尝试提取图像的不同部分。当您选择的范围超出范围时会发生什么。我们尝试运行如下代码：

>> corrped=img(20:400,10:32)

提示执行异常，因为x轴超过了限制范围。

颜色通道

我们看一下彩色图像怎么样？让我们来看看：

• 
  
  >> img = imread('fruit.png');
  
  
• 
  
  >> imshow(img);
  
  
  

您认为这张图片的大小是多少？

>> disp(size(img));

结果显示：258      320      3

为什么有三个数字？

前两个是高度和宽度。

第三个是图像中的多个颜色平面或通道，即三个。

那么你如何选择一个颜色的平面呢？我们将使用我们用于裁剪图像的相同索引表示法。

假设我们要选择红色通道，它位于索引1。我们想要所有行，所有列，但只需要第一个平面。

>> img_red = img(:, :, 2);

代码运行结果：

这就是红色通道的样子。较亮的区域表示红色值较高，较暗的区域则相反。苹果并不像你期望的那么明亮。

我们看看这个图片的大小：

>> disp(size(img_red));

代码运行结果：258      320

正如所料，颜色通道的宽度和高度与原始图像相同，但它没有第三个尺寸。

嗯，这是有道理的，不是吗？该颜色平面是三个中的一个，它们堆叠在一起以创建彩色图像。

它们中的每一个都是二维阵列。请注意，提取的颜色通道本身就是一个图像，因此您可以应用之前看到的相同操作。

让我们尝试绘制图像中一行的值。

>> plot(img_red(150, 0));

运行代码结果：

这就是图的样子。

在代码编辑器中使用此图像，尝试不同的操作，尝试选择其他彩色通道。

图像相加

那么对图像的算术运算是什么样的呢？让我们从添加两个图像开始。

像以前一样，我们加载图像。

• 
  
  >> dolphin = imread('dolphin.png');
  
  
• 
  
  >> dolphin = imread('bicycle.png');
  
  
  

运行代码结果：

还要显示它们并确保它们的尺寸相等。

• 
  
  >> imshow(dolphin);
  
  
• 
  
  >> disp("Dolphin image size:");
  
  
• 
  
  >> disp(size(dolphin));
  
  
• 
  
  
  
  
• 
  
  >> imshow(bicycle);
  
  
• 
  
  >> disp("bicycle image size:");
  
  
• 
  
  >> disp(size(bicycle));
  
  
  

运行代码结果：

正如我们在程序输出看到的那样， 它们大小相等。这很重要，因为添加的是元素操作的元素。

这意味着一个图像中的像素与相应的像素相加称为另外一个图像。

由于两个图像大小相同，我们可以添加它们。

• 
  
  >> dolphin = imread('dolphin.png');
  
  
• 
  
  >> bicycle = imread('bicycle.png');
  
  
• 
  
  
  
  
• 
  
  >> summed = dolphin + bicycle;
  
  
• 
  
  >> imshow(summed)
  
  
  

Octave足够智能，可以发现这两个是矩阵相同的大小，因此执行元素添加。运行结果是：

正如你所料，一个包含两个源图像元素的图像。你可以清楚地看到自动车和白色冲浪。你还可以隐约看到海豚。

注意这个图像是非常明亮的。导致许多区域看不到了。

为什么图像会这么的明亮呢？

为了找到答案，让我们回顾一下我们的代码。

请注意，我们直接从两个图像中添加值。两个图像都很明亮的区域变得更加明亮。

这表明我们应该缩小图像强度值。但是要调整多少呢？

我们会想到一个像素，这两个图像都具有最大强度值。求和图像中的像素将具有最大值的两倍。

因此，如果我们想要求和图像中的最大可能值，与每个源图像中的最大可能值相同，那么我们想把强度除以2。

• 
  
  >> dolphin = imread('dolphin.png');
  
  
• 
  
  >> bicycle = imread('bicycle.png');
  
  
• 
  
  
  
  
• 
  
  >> average = dolphin / 2 + bicycle / 2;
  
  
• 
  
  >> imshow(average);
  
  
  

这看起来熟悉吗？是的，这是两张图片的平均值。让我们看看这是什么样的：

Ok，好多了。将此与直接总和相比较：

你可以清楚地看到亮度的差异。另外注意，不再有任何褪色区域。让我们重写平均值的表达式，看看会发生什么。

我们先将两个源图像相加，再去除以2：

• 
  
  >> dolphin = imread('dolphin.png');
  
  
• 
  
  >> bicycle = imread('bicycle');
  
  
• 
  
  
  
  
• 
  
  >> average = dolphin / 2 + bicycle / 2;
  
  
• 
  
  >> imshow(average);
  
  
• 
  
  
  
  
• 
  
  >> average_alt = (dolphin + bicycle) / 2;
  
  
• 
  
  >> imshow(average_alt);
  
  
  

让我们看看运行后的结果：

嗯？这不对呀！这两个结果怎么不一样呢？？

解决这个问题的关键是知道这两个图像都是Uint8类型。

这意味着所有像素值都是0到255范围内的整数。

由于图像是无符号整数，Octave尝试在整个算术运算中保留相同的数据类型。

所以183除以2出来是92。请注意，Octave舍入到最接近的整数。它正在四舍五入

同样地，152除以2是76，它们的总和是168。

在第二种情况下，首先执行添加，因此183加152是335。

但请注意，此数字不适合无符号整数8位范围。

Uint8最大值为255。所以这个数字被截断到上限。除法按预期进行，结果为128。

您可以想象，在许多地方，像素值总计超过255。在所有这些位置，结果只会得到128。这通常小于两个数字的实际平均值。

因此，我们看到第一种方法更好地保留了像素值。

你肯定会遇到这些奇怪的算术错误。请注意您使用的图像数据类型以及执行算术运算的顺序。

奈斯