在 R 中進行圖像處理，使用像 imager 這樣的包，可以實現強大的數字圖像分析和處理。本博客將基于"圖像數據分析"文檔的概念，演示使用 imager 包進行的關鍵技術——圖像增強、去噪和直方圖均衡化，并通過可視化結果展示這些效果。

理解數字圖像

數字圖像是一個二維函數 $f(x,y):{\mathbb{R}}^2\to \mathbb{R}$，其中 $(x,y)$ 是空間坐標，$f(x,y)$ 表示像素強度。在數字圖像中，像素具有離散的位置和值。對于8位灰度圖像，強度范圍從0（黑色）到255（白色）。圖像可分為以下類別：

• 二值圖像：像素值為0（黑色）或1（白色）
• 灰度圖像：像素值在 { 0 , … , 255 } \{0, \ldots, 255\} {0,…,255} 范圍內
• 彩色圖像：三個通道（RGB），每個通道的值在 { 0 , … , 255 } \{0, \ldots, 255\} {0,…,255} 范圍內

使用 imager 處理圖像

imager 包基于CImg構建，支持圖像的加載、處理和可視化。下面，我們將使用內置的"parrots.png"圖像，通過代碼和可視化輸出來演示關鍵操作。

1. 圖像獲取

加載并顯示圖像：

library(imager)
file <- system.file('extdata/parrots.png', package='imager')
img <- load.image(file)
plot(img, main="原始鸚鵡圖像")

結果：

2. 圖像增強（模糊）

模糊處理可以增強特定應用中的圖像，例如平滑細節：

img_blurry <- isoblur(img, sigma=10)
plot(img_blurry, main="模糊圖像 (sigma=10)")

結果：

注意：模糊后的圖像更加平滑，減少了羽毛紋理等細節。

3. 圖像去噪

去噪可以在保持結構的同時去除噪聲。添加噪聲并應用各向異性模糊：

img_noisy <- img + 0.5 * rnorm(prod(dim(img)))
img_denoised <- blur_anisotropic(img_noisy, ampl=1e3, sharp=0.3)
layout(t(1:2))
plot(img_noisy, main="含噪圖像")
plot(img_denoised, main="去噪后圖像（各向異性）")

結果：

注意：含噪圖像顯示隨機斑點，而去噪后的圖像恢復了清晰度，同時保持了邊緣特征。

4. 直方圖均衡化

直方圖均衡化通過重新分配像素強度來增強對比度：

img_gray <- grayscale(img)
f <- ecdf(img_gray)
img_equalized <- f(img_gray) %>% as.cimg(dim=dim(img_gray))
layout(t(1:2))
plot(img_gray, main="灰度圖像")
plot(img_equalized, main="直方圖均衡化后圖像")

結果：

注意：均衡化后的圖像對比度得到改善，使得顏色變化等細節更加明顯。

5. 形態學處理

通過強度進行閾值分割對象：

img_gray <- grayscale(img)
threshold(img_gray, "20%") %>% plot(main="閾值處理后圖像 (20%)")

結果：

注意：閾值處理創建了一個二值圖像，突出顯示了較亮區域（如白色羽毛）與較暗區域的對比。

6. 完整代碼

library(imager)# 設置保存圖像的目錄（可選：如果不存在則創建）
output_dir <- "plots"
if (!dir.exists(output_dir)) {dir.create(output_dir)
}# 圖像獲取
file <- system.file('extdata/parrots.png', package='imager')
img <- load.image(file)
plot(img, main="原始鸚鵡圖像")
dev.copy(png, file.path(output_dir, "original_parrots.png"))
dev.off()# 圖像增強（模糊）
img_blurry <- isoblur(img, sigma=10)
plot(img_blurry, main="模糊圖像 (sigma=10)")
dev.copy(png, file.path(output_dir, "blurred_parrots.png"))
dev.off()# 圖像去噪
img_noisy <- img + 0.5 * rnorm(prod(dim(img)))
img_denoised <- blur_anisotropic(img_noisy, ampl=1e3, sharp=0.3)
layout(t(1:2))
plot(img_noisy, main="含噪圖像")
plot(img_denoised, main="去噪后圖像（各向異性）")
dev.copy(png, file.path(output_dir, "noisy_vs_denoised_parrots.png"))
dev.off()# 直方圖均衡化
img_gray <- grayscale(img)
f <- ecdf(img_gray)
img_equalized <- f(img_gray) %>% as.cimg(dim=dim(img_gray))
layout(t(1:2))
plot(img_gray, main="灰度圖像")
plot(img_equalized, main="直方圖均衡化后圖像")
dev.copy(png, file.path(output_dir, "grayscale_vs_equalized_parrots.png"))
dev.off()# 形態學處理
img_gray <- grayscale(img)
threshold(img_gray, "20%") %>% plot(main="閾值處理后圖像 (20%)")
dev.copy(png, file.path(output_dir, "thresholded_parrots.png"))
dev.off()

應用場景

R中的圖像處理應用于以下領域：

• 汽車工業：車道檢測、障礙物警告
• 醫療：診斷成像、手術輔助
• 安防：人臉識別、監控
• 媒體：特效、圖像編輯

結論

R中的 imager 包簡化了圖像處理任務，如增強、去噪和直方圖均衡化。可視化結果展示了這些技術如何轉換圖像，改善質量或提取特征。探索 imager 和 imagerExtra 以進行更高級的應用。

資源：

• imager包文檔
• imager入門指南
• imagerExtra指南