Pythonで画像処理をやってみよう！第1回 - ヒストグラムと濃度変換 -

第31回 (2015/7/11) MPS 定例ミーティング
Python で画像処理をやってみよう！
第1回 - ヒストグラムと濃度変換 -
金子純也
(Morning Project Samurai 代表)
第30回 MPS ミーティング資料 (2015/07/11) (c) Junya Kaneko

目次
• Morning Project Samurai (MPS) とは
• 画像認識とは
• ディジタル画像の基礎知識
• ヒストグラム
• 濃度変換

Morning Project Samurai (MPS)
• Morning 
- 土曜の朝を有意義に
• Project 
- プロジェクト指向
• Samurai 
- 謙虚に学習 
- プロジェクトをバッサバッサ 
と斬りまくる
プロジェクト
リーダー
シップ
メンバー
シップ
成果
人脈
UP!
UP!
UP!
キャリア
知識・技術
UP!
UP!

これまでに行った活動
• 勉強会 (プレゼン) 
- Webアプリの安全性について（XSS実習） 
- コンピュータが動くメカニズム（論理回路基礎） 
- プログラムテストについて 
- JavaScript 入門（実習） 
- Python を用いた Youtube 動画リストの作成 
（プログラム基礎、オブジェクト指向、サーバーからのデータ取得、 
ドキュメントの検索と読み方、UML基礎） 
- Python で OAuth を使ってみよう！
• プロジェクト 
- MPS HP 
- ぶらさぼり（東京メトロオープンデータ活用コンテスト） 
- 企業内研修講師 
- 世田谷まちづくりファンド (MPS Setagaya 設立) 
- エジソンカー作成

ぶらサボり
(東京メトロオプンデータコンテスト出展作品)
Python + Django で開発

Be Active, Be Creative!!
MPS

目標
画像認識 (+α) を用いて 
ミニチュア半自立運転車を作る！
(MPS Setagaya のイベントでの発表を目標)

画像認識 (Image Recognition)
Recognition: 
The act of accepting that something is true or
important or that it exists
(出典: http://www.merriam-webster.com/)
 
 
物事の真偽や重要性、またはその存在を認める行動
 
Image Recognition:
画像や画像中にあるものが
一体何を意味しているかを理解する

画像認識の流れ
サンプリング前処理認識
濃度調整
ひずみ補正
雑音除去
etc.
特徴 
抽出
エッジ検出
線分検出
領域分割
etc.

必要となる (学べる) 知識と技術
• コンピュータ内での基本的な画像の扱い方
• 数学  
(行列演算、フーリエ変換、etc.)
• パターン認識、学習アルゴリズム  
(ニューラルネット、ベイジアンネットワーク、etc.)
• 上記を統合して実際にプログラミングできる技術
(コンピュータサイエンスに所属する大学3年生程度の知識)

必要となる (学べる) 知識と技術
• コンピュータ内での基本的な画像の扱い方
• 数学  
(フーリエ変換、行列による座標変換、etc.)
• 学習アルゴリズム  
(ニューラルネット、ベイジアンネットワーク、etc.)
• 上記を統合して実際にプログラミングできる技術
(コンピュータサイエンスに所属する大学3年生程度の知識)

使用するライブラリ
• Pillow
• OpenCV
• numpy
• matplotlib

ディジタル画像
ピクセル 
(r, g, b) = (255, 0, 0)
ピクセルの集合で表現される画像
- ピクセルは離散点
- 各ピクセルにおけるカラーや濃淡の情報も離散値
ピクセル 
(r, g, b) = (255, 255, 255)

配列による画像の表現
多くの場合、画像は配列で表現される
例: 2D画像の2次元配列表現
(0, 0) (12, 0)
(12, 12)

カラーモデルによる色の表現
• RGB : 
- 適切に選ばれた3つの原刺激の組みで表現 
- コンピュータが主に使用
• HSV: 
- (色相, 彩度, 明度) の組みで表現 
- 人間が色を選ぶときに直感的に使いやすい
• YCbCr: 
- 明度と色差の組みで表現 
- ビデオやストリーミングで主に使用 
- 人間の視覚特性に注目した効率の良い表現方法
(参考: http://cs.brown.edu/courses/cs092/VA10/HTML/ColorModels.html)

RGB カラーモデルの原理
• 適切な3色を選べば、その混色で任意の色が表現
可能であることに基づく
• S = RR0 + GG0 + BB0 
 
S: 任意の色 
R0, G0, B0: 原刺激 
R, G, B: 重み
• 色空間: (R, G, B) の組みで表される3次元空間
(出典: https://msdn.microsoft.com/)

ピクセルとその情報を 
Python で取得してみよう！ (下準備編)
• Pillow のインストール 
pip install Pillow または pip3 install Pillow
• プログラムを置くフォルダを1つ作成
• JPEG 画像を1つ上で作成したフォルダに用意

ピクセルとその情報を
Pythonで取得してみよう！ (実装編)
# 画像を表現するクラスをロード 
from PIL import Image
# 画像 sample.jpg をオープン
img = Image.open(‘sample.jpg’)
# ピクセル情報を取り出し
pxls = img.load()
# 座標 (1,1) のピクセルの色情報を取得し表示
print(pxls[1, 1])

練習問題
用意したJPEG画像の適当な位置から
100 * 100 ピクセルの正方形領域を
黒で塗りつぶして、結果を保存してみよう。 
ヒント:
- ピクセル情報の更新: pxls[i, j] = (r, g, b)
- 画像の保存: img.save(‘ﬁlename.jpg’)
- 公式ドキュメント: pillow.readthedocs.org

ヒストグラム
• 画像を濃度値の頻度分布という観点から見る 
- 各濃度値に対し同じ値を持つピクセルを計数
• 空間情報は失われる 
- 同じヒストグラムを持つ異なる画像が存在
Rが200であるピクセルが
画像全体に占める割合

比べてみよう！ (問題編)
削除

比べてみよう！ (回答編)
• 露出不足の画像はヒストグラムが左より

ヒストグラムを作ってみよう！
(前準備: matplotlib)
pip install matplotlib
または
pip3 install matplotlib

ランダムに生成された0から5までの整数
1000個の列のヒストグラムを描画
import matplotlib.pyplot as plt
import random
rnums = [random.randint(0, 4) for i in range(0, 1000)]
rand_hist = [0] * 5
for i in range(0, 1000):
rand_hist[rnums[i]] += 1
rand_hist = [i/1000 for i in rand_hist]
plt.bar(range(0, 5), rand_hist, 1, color="blue")
plt.show()

ヒストグラムを作ってみよう！
(実装編)
ヒント:
Rに関するヒストグラムは、
Rが i であるピクセルの数 x を
画像の全ピクセル数で割って正規化し、
それらを i が小さいものから並べたリスト。
ここで、 i は 0 から 255 の値をとる。

画像を見やすくする方法を
考えてみよう！ (問題編)
使用している濃度レンジ
使用可能な濃度レンジ

画像を見やすくする方法を
考えてみよう！ (回答編)
使用する濃度レンジを拡大すると
コントラストが強調されて見やすくなるのでは？第30回 MPS ミーティング資料 (2015/07/11) (c) Junya Kaneko

使用濃度レンジを拡大する関数を考える！
Q. ところで関数ってどんなもの？

使用濃度レンジを拡大する関数を考える！
Q. ところで関数ってどんなもの？
A. ある入力に対して1つ値が定まるもの

使用濃度レンジを拡大する関数を
デザインする
c d
a
b
(参考: [1])
拡大前濃度
拡大後濃度

デザインする
c d
0
255
(参考: [1])
拡大前濃度
拡大後濃度
今回は
0から255
に拡大
この折れ線を
プログラムで
表現できれば良い

デザインする
c d
0
255
(参考: [1])
拡大前濃度
拡大後濃度
今回は
0から255
に拡大 ①
② ③

デザインする
c d
0
255
(参考: [1])
拡大前濃度
拡大後濃度
今回は
0から255
に拡大 ①
② ③
①②③
はそれぞれ直線！

デザインする
c d
0
255
(参考: [1])
拡大前濃度
拡大後濃度
今回は
0から255
に拡大 ①
② ③
①②③
一次式

デザインする
c d
0
255
(参考: [1])
拡大前濃度
拡大後濃度
今回は
0から255
に拡大 ①
② ③
①②③
一次式
プログラムで
記述可能

デザインする
c d
0
255
(参考: [1])
拡大前濃度 (x)
拡大後濃度 (y)
x < c のとき
y = 0
b-a
d-c x >= d のとき
y = 255
(x-c)
c <= x < dのとき
y=

実行結果

参考図書
1. 田村秀行: コンピュータ画像処理. オーム社. 2002.
2. P.H.リンゼイ: 情報処理心理学入門1 感覚と知覚.  
サイエンス社. 1983.
3. Richard Szeliski : Computer Vision: Algorithms and
Applications. Springer. 2010.

Pythonで画像処理をやってみよう！第1回 - ヒストグラムと濃度変換 -

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Pythonで画像処理をやってみよう！第1回 - ヒストグラムと濃度変換 -

Similaire à Pythonで画像処理をやってみよう！第1回 - ヒストグラムと濃度変換 - (11)

Plus de Project Samurai

Plus de Project Samurai (20)