在本文中，我将带您了解图像处理的一些基本功能。
特征提取。但是这里我们需要更深入的数据清理。数据清理是在数据集，表格，文本等上完成的。如何在图像上完成？
可下载资源
导入图像
用python导入图像很容易。以下代码将帮助您在Python上导入图像：
image = imread(r"C:\Users\Tavish\Desktop\7.jpg")
show_img(image)
了解基础数据
该图像具有多种颜色和许多像素。为了可视化该图像的存储方式， 将每个像素视为矩阵中的一个单元。现在，该单元格包含三种不同的强度信息，分别对应于红色，绿色和蓝色。因此，RGB图像变为3-D矩阵。
red, yellow = image.copy(), image.copy()
red[:,:,(1,2)] = 0
yellow[:,:,2]=0
show_images(images=[red,yellow], titles=['Red Intensity','Yellow Intensity'])
将图像转换为二维矩阵
在特征提取中，如果将图像压缩为二维矩阵，则变得更加简单。这是通过灰度或二值化完成的。
这是将RGB图像转换为灰度的方法：
现在，让我们尝试对该灰度图像进行二值化处理。这是通过找到阈值并标记灰度像素来完成的。在本文中，我使用了Otsu的方法来找到阈值。
模糊影像
我们将在本文中介绍的最后一部分与特征提取更相关：图像模糊。灰度或二进制图像有时会捕获比所需图像更多的图像，在这种情况下模糊处理非常方便。
在上面的图片中，经过模糊处理后，我们可以清楚地看到鞋子现在已达到与铁路轨道相同的强度水平。因此，该技术在很多图像处理场景中非常方便。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python基于SVM和RankGauss的低消费指数构建模型
【视频讲解】Python用GM（1，1)灰色模型预测模型对电力预测
Python、MATLAB股票投资：ARIMA模型最优的选股方案和投资组合方案与预测
Python代做：CSC411 Digit Classification
