原文链接：/?p=9015
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。但是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？
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。
最受欢迎的见解
1.使用opencv在python中进行图像处理的简介
2.matlab中的偏最小二乘回归(plsr)和主成分回归(pcr)
3.matlab中使用vmd变分模态分解
4.matlab使用hampel滤波去除异常值
5.matlab使用经验模式分解emd-对信号进行去噪
6.matlab中的偏最小二乘回归(plsr)和主成分回归(pcr)
7.matlab使用copula仿真优化市场风险
8.r语言高级图像处理
9.matlab实现mcmc的马尔可夫切换arma-garch模型估计
