数字识别、显示边缘

要求：

	①为自己自拍一张照片；
	②再制作一个包含数字的图片		
	③读入自拍照片；调整图片尺寸为512*512；		
	⑤将两幅图片相加
	⑥将相加后的图片变为灰度图像；
	⑦检测步骤⑥中的灰度图像边缘；显示边缘图像；

实验环境：

Spyder (Anaconda3),用python中的第三方库matplotlib.pyplot，具体用什么工具都可以pycharm等

正文:

1.这里选择照片作为第一张图

2.用名字和数字来表示第二张图

3.读取照片，转化为对象，用Image.open()函数

def load_data(imgFile,nameFile):
    img_data = Image.open(imgFile)
    name_data = Image.open(nameFile)
    return img_data,name_data

4.将两个照片相加，整理成一个对象

def combineImg(img_data,name_data):
    img = Image.blend(img_data,name_data,0.3)
    return img

5.将合并的照片对象转化为灰度图片

def convertToBlack(img_data):
    img_data = img_data.convert('L')
    return img_data

6.检测灰度边缘，并降低噪声，再将图片保存到本地

def imgTesting(image_array):
	    # 生成高斯算子的函数
	    def func(x,y,sigma=1):
	        return 100*(1/(2*np.pi*sigma))*np.exp(-((x-2)**2+(y-2)**2)/(2.0*sigma**2))
	    # 生成标准差为5的5*5高斯算子
	    suanzi1 = np.fromfunction(func,(5,5),sigma=5)
	    # Laplace扩展算子
	    suanzi2 = np.array([[1, 1, 1],
	                    [1,-8, 1],
	                    [1, 1, 1]])
	    # 利用生成的高斯算子与原图像进行卷积对图像进行平滑处理
	    image_blur = signal.convolve2d(image_array, suanzi1, mode="same")
	    # 对平滑后的图像进行边缘检测
	    image2 = signal.convolve2d(image_blur, suanzi2, mode="same")
	    plt.subplot(4,2,7)
	    plt.imshow(image2)
	    # 结果转化到0-255
	    image2 = (image2/float(image2.max()))*255
	    # 将大于灰度平均值的灰度值变成255（白色），便于观察边缘
	    image2[image2>image2.mean()] = 255
	    plt.subplot(4,2,8)
	    plt.imshow(image2)

完整代码如下：

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from PIL import Image
import scipy.signal as signal
"""
python调整图片尺寸为512*512
将两幅图片相加，变为灰度图像；
灰度图像边缘；
显示边缘图像；
"""
def load_data(imgFile,nameFile):
    img_data = Image.open(imgFile)
    name_data = Image.open(nameFile)
    return img_data,name_data
def changTo3D(img_data):
    
    #将图片转哈为三维数组
    img3DimArr = np.array(img_data)
    return img3DimArr
#或者可以直接用该表达式，可以直接将照片转化为三维数组I = mpimg.imread(imgfile)
#print(name_3_dim_array.shape)
#用来展示图片
#plt.imshow(name_3_dim_array)
#修改像素的大小
def resizeImage(image,width,height):
    resizedImage=image.resize((width,height),Image.ANTIALIAS)
#    plt.imshow(resizedImage)
    return resizedImage

def convertToBlack(img_data):
    img_data = img_data.convert('L')
    return img_data

def combineImg(img_data,name_data):
    img = Image.blend(img_data,name_data,0.3)
    return img
def imgTesting(image_two_array):
    # 生成高斯算子的函数
    def gaosifunc(x,y,sigma=1):
        return 100*(1/(2*np.pi*sigma))*np.exp(-((x-2)**2+(y-2)**2)/(2.0*sigma**2))
    # 生成标准差为5的5*5高斯算子
    gaosisuanzi1 = np.fromfunction(gaosifunc,(5,5),sigma=5)
    # Laplace扩展算子
    gaosisuanzi2 = np.array([[1, 1, 1],
                    [1,-8, 1],
                    [1, 1, 1]])
    # 利用生成的高斯算子与原图像进行卷积对图像进行平滑处理
    imageBlur = signal.convolve2d(image_two_array,gaosisuanzi1, mode="same")
    # 对平滑后的图像进行边缘检测
    image2 = signal.convolve2d(imageBlur, gaosisuanzi2, mode="same")
    plt.subplot(4,2,7)
    plt.imshow(image2)
    # 结果转化到0-255
    image2 = (image2/float(image2.max()))*255
    # 将大于灰度平均值的灰度值变成255（白色），便于观察边缘
    image2[image2>image2.mean()] = 255
    plt.subplot(4,2,8)
    plt.imshow(image2)
if __name__ == "__main__":
    #读取数据
    imgFile = "gxj1.jpg"
    nameFile = 'name.jpg'
    img_data,name_data=load_data(imgFile,nameFile)
   
    plt.subplot(4,2,1)
    plt.imshow(img_data)
    plt.subplot(4,2,2)
    plt.imshow(name_data)
    
    resized_img_data = resizeImage(img_data,512,512)
    resized_name_data = resizeImage(name_data,512,512)
    
    plt.subplot(4,2,3)
    plt.imshow(resized_img_data)
    plt.subplot(4,2,4)
    plt.imshow(resized_name_data)
#    plt.imshow(resized_img_data)
    #合并,并转化为灰度图片
    img = combineImg(resized_img_data,resized_name_data)
    plt.subplot(4,2,5)
    plt.imshow(img)
    cImg = convertToBlack(img)
    plt.subplot(4,2,6)
    plt.imshow(cImg)
    #转为图片的三维数组
    img3DimArr=changTo3D(cImg)
    #图像边缘检测
    edge_img=imgTesting(img3DimArr)
    plt.savefig("aa.jpg",dpi=1080)
#    plt.imshow(resized_name_data)
#    plt.imshow(cImg)
    

其中大家根据需要，将图片转为不同像素（dpi=xxx）。
最终的结果如下：