当前位置：首页 > news >正文

如何在Python中创建测试图像

news 2026/5/22 10:32:02

原文地址：https://medium.com/@itberrios6/how-to-make-a-test-image-in-python-1a6c2d41b6ab

学习如何制作测试图像

在计算机视觉和图像处理中，创建测试图像以更好地了解算法或滤波器将如何执行通常是有用的。测试图像是一个基准，可以将多种算法相互比较。让我们开始吧，代码位于GitHub上。

简单测试图像

通过skimage可以轻松获得许多测试图像，但它们通常不适合描述算法和滤波器。相反，我们的目标是描述更简单的图像上的算法，我们将重点使用numpy和opencv创建旋转对称的测试图像。首先我们将制作一个简单的测试图像，然后我们将使用正弦函数制作一个更复杂的图像。

import numpy as np import cv2 import matplotlib.pyplot as plt %matplotlib inline # size of NxN image n = 512 # get test image of a circle test_image = np.zeros((n, n)) cv2.circle(test_image, center=(n//2, n//2), radius=n//3, color=(255,), thickness=-1) # OPTIONAL: blurr test image cv2.GaussianBlur(test_image, ksize=(9,9), sigmaX=11, dst=test_image) # 0-1 normalize and cast to float32 cv2.normalize(test_image, test_image, 0, 1, cv2.NORM_MINMAX, dtype=cv2.CV_32FC1) # display plt.imshow(test_image) plt.title("Test Image");

你可能想知道为什么我们要使用模糊，原因是让圆的边界逐渐归零，而不是粗略地下降。

你可以使用opencv的形状函数尝试更简单的测试图像，现在让我们实现一个更复杂的测试图像。

复杂测试图像

这是一个快速的复杂测试函数，我们将使用正弦函数创建一个半径为r的圆对称波纹函数。其中半径定义为到原点的距离。

def f(r): """ r - is the Radius from the center """ outputs = r.copy().astype(np.float32) index = (r > 56) & (r <= 256) outputs[r <= 56] = 127 outputs[index] = 127*np.sin(r[index]/np.pi) outputs[r > 256] = 127 return outputs # get images indexes as column vectors x_index, y_index = np.meshgrid(np.arange(0, N), np.arange(0, N)) x_index = x_index.reshape((-1, 1)) y_index = y_index.reshape((-1, 1)) # get radius r r = np.round(np.sqrt((x_index - N//2)**2 + (y_index - N//2)**2)).astype(int).squeeze() test_image f(r).reshape((N, N))

简单的正弦测试图像为我们提供了更有趣的特征，但实际上我们可以生成更鲁棒的东西。代码如下:

g = lambda r : np.sin(((112*np.pi)/(np.log(2))*((2**(-r/56))) - 2**(-256/56))) def f(r): """ r - is the Radius from the center """ outputs = r.copy() index_1 = (r > 56) & (r <= 64) index_2 = (r > 64) & (r <= 224) index_3 = (r > 224) & (r <= 256) outputs[r < 56] = 127 outputs[index_1] = 127*(1 + (g(r[index_1]) * np.cos((np.pi*r[index_1]/16) - 4*np.pi)**2)) outputs[index_2] = 127*(1 + g(r[index_2])) outputs[index_3] = 127*(1 + (g(r[index_3]) * np.sin((np.pi*r[index_3]/64) - 4*np.pi)**2)) outputs[r > 256] = 127 return outputs def get_test_image(N): """ Obtains an NxN test image """ # get image indexes as column vectors x_index, y_index = np.meshgrid(np.arange(0, N), np.arange(0, N)) x_index = x_index.reshape((-1, 1)) y_index = y_index.reshape((-1, 1)) # get radius r r = np.round(np.sqrt((x_index - N//2)**2 + (y_index - N//2)**2)).astype(np.float32).squeeze() return f(r).reshape((N, N)) # get size n = 512 # get sinusoidal test image test_image = get_test_image(n).astype(np.float32) # OPTIONAL blurr test image # cv2.GaussianBlur(test_image, ksize=(5,5), sigmaX=3, dst=test_image) # 0-1 normalize cv2.normalize(test_image, test_image, 0, 1, cv2.NORM_MINMAX, dtype=cv2.CV_32FC1) # display plt.imshow(test_image) plt.title("Test Image");

Figure 6. Cross Section of Complex Sinusoidal Test Image.

现在我们有了一个具有不同波峰和波谷的测试图像，用于比较我们的算法或滤波器的性能。这些并不是随机的峰值和低谷，它们代表了图像中受控的频率变化。中心平坦，无频率变化(也称为直流)。当我们从中心出去时，我们参与了一个非常高的频率区域，在频率上逐渐减少，一直到边缘。为什么控制频率变化很重要?它允许我们测量滤波器的一般频率响应，而无需明确进入频域。