NumPy Cookbook 帶註釋原始碼 五、NumPy 音訊和影象處理
阿新 • • 發佈:2019-02-14
# 來源:NumPy Cookbook 2e Ch5
將影象載入進記憶體
import numpy as np
import matplotlib.pyplot as plt
# 首先生成一個 512x512 的影象
# 在裡面畫 30 個正方形
N = 512
NSQUARES = 30
# 初始化
img = np.zeros((N, N), np.uint8)
# 正方形的中心是 0 ~ N 的隨機數
centers = np.random.random_integers(0, N, size=(NSQUARES, 2))
# 正方形的邊長是 0 ~ N/9 的隨機數
radii = np. random.randint(0, N/9, size=NSQUARES)
# 顏色是 100 ~ 255 的隨機數
colors = np.random.randint(100, 255, size=NSQUARES)
# 生成正方形
for i in xrange(NSQUARES):
# 為每個正方形生成 x 和 y 座標
xindices = range(centers[i][0] - radii[i], centers[i][0] + radii[i])
xindices = np.clip(xindices, 0, N - 1)
yindices = range(centers[i][1] - radii[i], centers[i][1] + radii[i])
# clip 過濾範圍之外的值
# 相當於 yindices = yindices[(0 < yindices) & (yindices < N - 1)]
yindices = np.clip(yindices, 0, N - 1)
if len(xindices) == 0 or len(yindices) == 0:
continue
# 將 x 和 y 座標轉換成網格
# 如果不轉換成網格,只會給對角線著色
coordinates = np.meshgrid(xindices, yindices)
img[coordinates] = colors[i]
# tofile 以二進位制儲存陣列的內容,沒有形狀和型別資訊
img.tofile('random_squares.raw')
# np.memmap 以二進位制載入陣列,如果型別不是 uint8,則需要執行
# 如果陣列不是一維,還需要指定形狀
img_memmap = np.memmap('random_squares.raw', shape=img.shape)
# 顯示影象(會自動將灰度圖對映為偽彩色)
plt.imshow(img_memmap)
plt.axis('off')
plt.show()
組合影象
import numpy as np import
matplotlib.pyplot as plt
from scipy.misc import lena
ITERATIONS = 10
lena = lena()
SIZE = lena.shape[0]
MAX_COLOR = 255.
x_min, x_max = -2.5, 1
y_min, y_max = -1, 1
# 陣列初始化
x, y = np.meshgrid(np.linspace(x_min, x_max, SIZE),
np.linspace(y_min, y_max, SIZE))
c = x + 1j * y
z = c.copy()
fractal = np.zeros(z.shape, dtype=np.uint8) + MAX_COLOR
# 生成 mandelbrot 影象
for n in range(ITERATIONS):
mask = np.abs(z) <= 4
z[mask] = z[mask] ** 2 + c[mask]
fractal[(fractal == MAX_COLOR) & (-mask)] = (MAX_COLOR - 1) * n / ITERATIONS
# 繪製 mandelbrot 影象
plt.subplot(211)
plt.imshow(fractal)
plt.title('Mandelbrot')
plt.axis('off')
# 將 mandelbrot 和 lena 組合起來
plt.subplot(212)
# choose 的作用是,如果 fractal 的元素小於 lena 的對應元素
# 就選擇 fractal,否則選擇 lena
# 相當於 np.fmin(fractal, lena)
plt.imshow(np.choose(fractal < lena, [fractal, lena]))
plt.axis('off')
plt.title('Mandelbrot + Lena')
plt.show()
使影象變模糊
import numpy as np
import matplotlib.pyplot as plt
from random import choice
import scipy
import scipy.ndimage
# Initialization
NFIGURES = 5
k = np.random.random_integers(1, 5, NFIGURES)
a = np.random.random_integers(1, 5, NFIGURES)
colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k']
# 繪製原始 的 lena 影象
lena = scipy.misc.lena()
plt.subplot(211)
plt.imshow(lena)
plt.axis('off')
# 繪製模糊的 lena 影象
plt.subplot(212)
# 使用 sigma=4 的高斯過濾器
blurred = scipy.ndimage.gaussian_filter(lena, sigma=4)
plt.imshow(blurred)
plt.axis('off')
# 在極座標中繪圖
# 極座標無視 subplot
theta = np.linspace(0, k[0] * np.pi, 200)
plt.polar(theta, np.sqrt(theta), choice(colors))
for i in xrange(1, NFIGURES):
theta = np.linspace(0, k[i] * np.pi, 200)
plt.polar(theta, a[i] * np.cos(k[i] * theta), choice(colors))
plt.axis('off')
plt.show()
重複聲音片段
import scipy.io.wavfile
import matplotlib.pyplot as plt
import urllib2
import numpy as np
# 下載音訊檔案
response = urllib2.urlopen('http://www.thesoundarchive.com/ austinpowers/smashingbaby.wav')
print(response.info())
# 將檔案寫到磁碟
WAV_FILE = 'smashingbaby.wav'
filehandle = open(WAV_FILE, 'w')
filehandle.write(response.read())
filehandle.close()
# 使用 SciPy 讀取音訊檔案
sample_rate, data = scipy.io.wavfile.read(WAV_FILE)
print("Data type", data.dtype, "Shape", data.shape)
# ('Data type', dtype('uint8'), 'Shape', (43584L,))
# 繪製原始音訊檔案
plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)
# 繪製重複後的音訊檔案
plt.subplot(2, 1, 2)
# tile 用於重複陣列
repeated = np.tile(data, 3)
plt.title("Repeated")
plt.plot(repeated)
# 儲存重複後的音訊檔案
scipy.io.wavfile.write("repeated_yababy.wav", sample_rate, repeated)
plt.show()
生成聲音
# 聲音可以表示為某個振幅、頻率和初相的正弦波
# 如果我們把鋼琴上的鍵編為 1 ~ 88,
# 那麼它的頻率就是 440 * 2 ** ((n - 49) / 12)
# 其中 n 是鍵的編號
import scipy.io.wavfile
import numpy as np
import matplotlib.pyplot as plt
RATE = 44100
DTYPE = np.int16
# 生成正弦波
def generate(freq, amp, duration, phi):
t = np.linspace(0, duration, duration * RATE)
data = np.sin(2 * np.pi * freq * t + phi) * amp
return data.astype(DTYPE)
# 初始化
# 彈奏 89 個音符
NTONES = 89
# 振幅是 200 ~ 2000
amps = 2000. * np.random.random((NTONES,)) + 200.
# 時長是 0.01 ~ 0.2
durations = 0.19 * np.random.random((NTONES,)) + 0.01
# 鍵從 88 箇中任取
keys = np.random.random_integers(1, 88, NTONES)
# 頻率使用上面的公式生成
freqs = 440.0 * 2 ** ((keys - 49.)/12.)
# 初相是 0 ~ 2 * pi
phi = 2 * np.pi * np.random.random((NTONES,))
tone = np.array([], dtype=DTYPE)
for i in xrange(NTONES):
# 對於每個音符生成正弦波
newtone = generate(freqs[i], amp=amps[i], duration=durations[i], phi=phi[i])
# 附加到音訊後面
tone = np.concatenate((tone, newtone))
# 儲存檔案
scipy.io.wavfile.write('generated_tone.wav', RATE, tone)
# 繪製音訊資料
plt.plot(np.linspace(0, len(tone)/RATE, len(tone)), tone)
plt.show()
設計音訊濾波器
import scipy.io.wavfile
import matplotlib.pyplot as plt
import urllib2
import numpy as np
# 下載音訊檔案
response = urllib2.urlopen('http://www.thesoundarchive.com/ austinpowers/smashingbaby.wav')
print(response.info())
# 將檔案寫到磁碟
WAV_FILE = 'smashingbaby.wav'
filehandle = open(WAV_FILE, 'w')
filehandle.write(response.read())
filehandle.close()
# 使用 SciPy 讀取音訊檔案
sample_rate, data = scipy.io.wavfile.read(WAV_FILE)
print("Data type", data.dtype, "Shape", data.shape)
# ('Data type', dtype('uint8'), 'Shape', (43584L,))
# 繪製原始音訊檔案
plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)
# 設計濾波器,iirdesign 設計無限脈衝響應濾波器
# 引數依次是 0 ~ 1 的正則化頻率、
# 最大損失、最低衰減和濾波型別
b,a = scipy.signal.iirdesign(wp=0.2, ws=0.1, gstop=60, gpass=1, ftype='butter')
# 傳入剛才的返回值,使用 lfilter 函式來呼叫濾波器
filtered = scipy.signal.lfilter(b, a, data)
# 繪製濾波後的音訊
plt.subplot(2, 1, 2)
plt.title("Filtered")
plt.plot(filtered)
# 儲存濾波後的音訊
scipy.io.wavfile.write('filtered.wav', sample_rate, filtered. astype(data.dtype))
plt.show()
Sobel 過濾器的邊界檢測
# Sobel 過濾器用於提取影象的邊界
# 也就是將影象轉換成線框圖風格
import scipy
import scipy.ndimage
import matplotlib.pyplot as plt
# 匯入 Lena
lena = scipy.misc.lena()
# 繪製 Lena(左上方)
plt.subplot(221)
plt.imshow(lena)
plt.title('Original')
plt.axis('off')
# Sobel X 過濾器過濾後的影象(右上方)
sobelx = scipy.ndimage.sobel(lena, axis=0, mode='constant')
plt.subplot(222)
plt.imshow(sobelx)
plt.title('Sobel X')
plt.axis('off')
# Sobel Y 過濾器過濾的影象(左下方)
sobely = scipy.ndimage.sobel(lena, axis=1, mode='constant')
plt.subplot(223)
plt.imshow(sobely)
plt.title('Sobel Y')
plt.axis('off')
# 預設的 Sobel 過濾器(右下方)
default = scipy.ndimage.sobel(lena)
plt.subplot(224)
plt.imshow(default)
plt.title('Default Filter')
plt.axis('off')
plt.show()