Introduksjon til Python

 

 

 

Introduksjon til Python

Kristine Hein


Jan 17, 2020


En kort innføring i installasjon og programmering i bildebehandling.

Table of contents

Installasjon
      Anaconda
      Installering av moduler på UiO-maskin
Programmering
      Testing underveis
      Grunnleggende
      Numpymodulen og arrays
      Bildebehandling

Installasjon

Det er vanlig at Python allerede er inkludert på de fleste MacOS og Linux systemer. Men ofte må man installere bibliotek, også kalt moduler, og holde orden på hvilke versjoner man bruker av modulene. Anaconda er et fint verktøy til å laste ned modulene. Anaconda er gratis å laste ned. Ved å installere Anaconda, får man inkludert omtrent 150 pakker som brukes til vitenskapelig programmering. Vi kommer til å ha bruk for kun et lite utvalg av pakkene, men de andre pakkene kan være til nytte i andre emner eller annen programmering. Installering av nye pakker er også lettere ved å bruke Anaconda og det er mulig å sette opp virtual environments med de. Virtual environments er fine å bruke hvis du ønsker å jobbe med ulike oppsett og installasjoner av bl.a Python.

Anaconda

Det finnes versjoner av Anaconda til Mac, Linux og Windows. Her kan du finne nedlastingssiden: Installasjon av Anaconda

Alle programmene på siden er skrevet i Python 3.6, men det skal også gå fint å bruke 3.7. Si gjerne i fra hvis noen programmer ikke kan kjøres på grunn av forskjellige versjoner!

Her kan du finne installasjonsguide til det operativsystemet du bruker: Installasjonsguide

For å teste om Anaconda har blitt installert og brukes av systemet, kan man skrive 

conda list

i kommandovinduet. Ved en suksessful installasjon vil en liste over diverse pakker som har blitt installert dukke opp i kommandovinduet.

Installering av moduler på UiO-maskin

Det kan hende at noen moduler ikke er tilgjengelig på din UiO-bruker. For å installere en modul lokalt på din bruker, kan 

pip3 install --user <navn-på-modul>

brukes.

Programmering

Her kan du finne demonstrasjoner av syntaksen som brukes i Python, samt et eksempel på hvordan et program i Python kan utføre operasjoner på et bilde.

Testing underveis

En måte for å redusere sannsynligheten for lumske bugs i programmet, er å teste funksjoner/semantikken til Python underveis.

Da er det ofte behjelpelig å bruke Python shell-et. Den aktiveres i kommandovinduet ved å skrive inn 

python

Shell-et gjør det mulig å utføre all kode som skrives inn med én gang etter å ha trykket på Enter-tasten. Det er også mulig å se direkte verdien til variabler ved å simpelthen skrive inn variabelnavnet som skal vises frem. Det er altså rom for testing av funksjoner og se direkte konsekvenser av dem uten å skrive en egen fil, lagre, så kjøre. Fra egen erfaring, har bruk av shellet til å teste funksjoner/ideer o.l redusert betraktelig antallet lumske bugs!

For å komme ut av shell-et, kan man skrive exit(). Det er også viktig å huske på at ingenting av deklarasjoner, definisjoner o.l blir lagret.

Grunnleggende

Python er et høynivåspråk, hvilket som betyr at Python er ment for å være lett å lese.

Et program i Python 3 har filendingen .py, og kjøres i kommandovinduet ved å skrive 

python <navn på programmet ditt>.py

Hvis maskinen du jobber på har to versjoner av Python, altså Python 2 og Python 3, kan det hende du må spesifisere at Python 3 skal brukes, 

python3 <navn på programmet ditt>.py

For at programmet skal skrive ut noe til skjerm, brukes funksjonen print. Et eksempel på hvordan print kan brukes, er: 

print("Hello,world!")

Programmet vil da skrive til skjerm Hello,world!.

Det er også mulig å skrive ut verdien til variabler ved å bruke printf-formattering: 

x = 1
y = -1
print("(x,y) = (%g,%g)"%(x,y))

Programmet vil skrive ut (1,-1). Prosenttegnet etterfulgt av bokstaven g bestemmer hvordan verdien av variabelen skrives til skjerm. I dette tilfellet vil formatteringen av verdien bestemmes ettersom hvor mange desimaler tallverdien har.

Det finnes en oversikt her over hvordan man kan bestemme utskriften av en verdi.

Matematikk

Vi kommer til å bruke en del aritmetiske operasjoner (dvs addering,subtrahering,divisjon og multiplikasjon) etterhvert, og da kan det være fint å kjenne til dem. Syntaksen for aritmetiske operasjoner er nokså lik som i Java/C/C++/Matlab.

Programmet under demonsterer aritmetiske operasjoner, samt potens siden den skiller seg nokså ut fra de nevnte språkene. 

a = -2
b = 3

# Addisjon:
print("a + b =", a+b)

# Subtraksjon
print("a - b =", a-b)

# Multiplikasjon
print("a * b =", a*b)

# Divisjon
print("a / b =", a/b)

# Opphøying
print("a opphøyd i b = a**b = ",a**b)

Programmet kan lastes ned her (høyreklikk og trykk "lagre lenke som"/"save link as")

Lister

Lister er en samling av elementer. Det som gjør lister spesielt i Python sammenlignet med Java eller C/C++, er at listene kan inneholde elementer av ulik type. Det vil si at én og samme liste i Python kan inneholde datatyper som strings, ints og floats og andre ting som for eksempel funksjonspekere og andre objekter.

For å lage en tom liste, brukes klammeparentes: 

liste1 = []

Man kan utvide liste1 ved å bruke append. Funksjonen append legger til et element bakover i listen: 

liste1.append(10) # Nå har liste kun ett element - nemlig 10
liste1.append(12) # Elementet 12 er nå plassert bak 10
print(liste1)

Kjører men programmet, vil man se at det skriver ut [10,12].


For å lage en liste med noen elementer, brukes klammeparentes rundt elementene som er separert med komma: 

a = 1
b = sum # nå er b en funksjon - nemlig den innebygde funksjonen sum.
c = "hei"

liste2 = [a,b,c]

Når man skal hente ut elementer fra en liste, er det viktig å huske at første element ligger på 0-te plass (i motsetning til Matlab der første element ligger på 1-te plass). For å hente ut et element fra en liste, skriver vi først navnet til variabelen knyttet til listen, og deretter klammeparentes med et tall inni som forteller fra hvilken plass programmet skal hente elementet fra. 

print(liste1[0]) # skriver ut 10
print(liste2[2]) # skriver ut "hei"

Løkker

Løkker har noenlunde lik syntaks som de typiske programmeringsspråkene.


For-løkker:
Hensikten bak en for-løkke er å utføre en kodesnutt et bestemt antall ganger.

For-løkker er kanskje ett av de viktigste redskapene som kommer til å bli brukt i emnet. Derfor, er det viktig å ha god kjennskap til hvordan den kan brukes og spesielt indekseringen!

Konstruksjonen av en for-løkke er: 

for <element-navn> in <liste over verdier>:
    # kode som bruker liste-elementene

I bestemmer du hvilket variabelnavn som skal tilordnes hvert element som hentes ut fra listen spesifisert i . Det er viktig å passe på å ha et inntrykk etter for-linjen.
En svært nyttig konstruksjon av en liste-lignende objekt er range, og ofte viser det seg å være svært nyttig i for-løkker, Funksjonen range gjøre det mulig at man kan hente heltall fra et gitt intervall ved en gitt steglengde: 

for <element-navn> in range(start,stopp,steg)

Her vil være alle heltall innenfor intervallet fra og med start til og med stopp minus steg (merk sluttverdien i intervallet!) med steg mellomrom. Hvis du ønsker at start skal være lik 0 samtidig som steg skal være lik 1, er det mulig å droppe å skrive 0 som start og 1 som steg, og heller skrive range(stopp).

En demonstrasjon til hvordan et program kan skrive ut alle partall mellom 10 og 20 ved å bruke for-løkke og range: 

for i in range(10,22,2)
    print(i)

Man kan også hente ut hvert enkelt listeelement: 

for i in range(len(liste1)): # funksjonen len finner antall elementer i liste1
    print(liste1[i])

eller: 

for listeelement in liste1:
    print(listeelement)


While-løkker:
Det hender også at man ikke vet på forhånd hvor mange ganger en kodesnutt skal utføres av programmet. Dette kan f.eks være ved fjerning av piksler som vi ikke ønsker i bildet og søk etter noe i bildet.

En while-løkke er konstruert slik: 

while <en betingelse er  evaluert til True>:
    # kodesnutt som skal utføres

En betingelse kan være en sjekk på om et tall er større enn en gitt verdi, om en variabel har endret seg osv.

Numpymodulen og arrays

Numpy er en modul som kommer med en svært nyttig type å jobbe med, nemlig arrays. En array er en matrise, og minner veldig om Pythons lister. Det som er veldig fint med arrays, er at man kan utføre matriseoperasjoner som er både effektive og nyttige i bildebhandling. Arrays kan utføre langt mer enn det Pythons innebygde lister kan mtp matriseoperasjoner. Det er også vanlig at bilder som leses inn i Python-programmer er av typen array siden bilder er i bunn og grunn matriser.

Bruke numpy

For å bruke arrays fra numpy, må numpy-modulen importeres først. Det er ulike måter å importere en modul på. Den som kommer til å brukes mest på denne siden, er 

import numpy as np

Her importeres numpy, men med navnet np. For å bruke funksjoner fra numpy ved denne formen for importering, må vi skrive foran hver funksjon fra numpy dets ''navn'' for at programmet skal forstå fra hvilken modul funksjonen hentes fra.

Det som gjør numpy spesielt nyttig å bruke, er at elementvis aritmetikk er implementert hos vektorer (en vektor sees på som en 1 x n - matrise). Programmet under demonstrerer hvilke elementvise operasjoner man kan gjøre på vektorer. 

import numpy as np

print("- vektorer -")
# Lage to 1 x 3 matriser:
a = np.array([1,2,3])
b = np.array([11,12,13])

print("a =",a)
print("b =",b)

# elementvis addisjon mellom vektorene
print("a+b =",a+b)

# elementvis multiplikasjon mellom vektorene
print("a*b =",a*b)

# elementvis addisjon mellom en skalar og vektor
print("3 addert med hvert element i a:",3+a)

# elementvis multiplasjon mellom en skalar og vektor
print("3 multiplisert med hvert element i a:",3*a)

print("\n- matriser -")
# Lage to 2 x 2 matriser:
a = np.array([[1,2],[3,4]]) # [1,2] er nå 0-te rad, [3,4] er 1-te rad
b = np.array([[11,12],[13,14]])

print("a =",a)
print("b =",b)

# elementvis addisjon mellom matrisene
print("a+b =",a+b)

# elementvis multiplikasjon mellom matrisene
print("a*b =",a*b)

Programmet kan lastes ned her (høyreklikk og trykk "lagre lenke som"/"save link as")

Nyttige(?) metoder

Det finnes mange metoder i numpy som er nyttige for arrays - og ikke bare av ren matrise-matematisk art. En god del av funksjonene er også implementert mtp effektivitet og kan gjøre programmet betraktelig raskere ved riktig bruk. Enkelte funksjoner er også skrevet slik at man reduserer linjer i koden - og derav kan gjøre koden lettere å lese.


Noen metoder som, av erfaring, har vært til nytte i bildebehandling:

Dokumentasjonen er tilgjengelig her med en oversikt over alle metodene fra numpymodulen, og hvordan de brukes.

Bildebehandling

Det er mange ulike teknikker (og moduler!) en kan bruke for å arbeide med bilder i Python. Her vil det presenteres én metode å arbeide med bilder på, men du står selvføgelig fritt til å bruke teknikkene og modulene du ønsker å jobber med.

Innlesing og lagring av bilde

Innlesing av bilde er ikke implementert i numpy. Men det finnes heldigvis andre moduler som har innlesing av bilde implementert, som f.eks OpenCV, scikit, PIL og imageio(som vil brukes her).

Det går også an å lese inn bilde fra matplotlib.pyplot, som ofte brukes ved plotting og framvising av bilde, men den har ingen metode implementert, pr. når denne siden ble skrevet, som kan konvertere et fargebilde til gråtonebilde. Det er hovedsakelig gråtonebilder det blir fokusert på i emnet, og derav er det kjekt å kunne konvertere et fargebilde til et gråtonebilde.


En modul som har implementert funksjoner for innlesing og gråtonekonvertering av bilder, er imageio. Funksjonen for innlesing heter imread. For å lese inn et bilde, f.eks houses.png, kan man bruke imread slik: 

from imageio import imread
img = imread("houses.png",as_gray = True)

Argumentet as_gray = True i imread sørger for at bildet er konvertert til gråtone. Et fargebilde har ofte tre dimensjoner, mens et gråtonebilde har to. For å se om et innlest bilde faktisk er gråtone, kan man f.eks bruke 

print(len(img.shape))

der shape returnerer en liste med verdier som forteller hvor stor matrisen img er. Er matrisen 3-dimensjonal vil listen være 3 elementer lang, og er den 2-dimensjonal vil listen være 2 elementer lang.

Fremvising av bilde

Nå som et bilde har blitt innlest, er det fint å få se det også. Dette kommer til å være svært nyttig for å se hvordan diverse operasjoner påvirker et bilde.

Modulen matplotlib.pyplot har metoder som egner seg godt til all form for visualisering av data - også for bilder. For å vise fram et bilde bruken en imshow.

Programmet under demonstrerer hvordan et program kan lese inn et bilde og vise det fram i egne vindu. 

from imageio import imread
import matplotlib.pyplot as plt

img = imread("houses.png",as_gray = True) # as_gray=True gjør et fargebilde til gråtonebilde

plt.imshow(img)
plt.title("Et gråtonebilde?")

plt.figure() # For å lage et nytt vindu

plt.imshow(img,cmap='gray')
plt.title("Et gråtonebilde")

plt.show() # Husk dette for å faktisk kunne se visualiseringene!

Programmet kan lastes ned her (høyreklikk og trykk "lagre lenke som"/"save link as")

som gir disse bildene:

Figure 1: Bilde av det første vinduet.

Figure 2: Bilde av det andre vinduet.

Her kan du se at det første bilde ikke er gråtone - selvom det er tenkt til å være et gråtonebilde. Dette skjer fordi matplotlib.pyplot har en standard, predefinert måte å fremvise tallverdier som farger på. Det må spesifiseres at en ønsker å framvise bildet som gråtone. Dette gjøres med å spesifisere et colormap ved å sende inn som argument cmap=<ønsket colormap>. Det finnes flere colormaps, hvis en ønsker å bruke det.

Det er også viktig å bruke figure() hvis man ikke ønsker at det nye bildet som fremvises overlapper bildet som tidligere har blitt sendt inn til imshow.


Etter noen operasjoner kan det hende matrisene en jobber med, har verdier som er større enn det et 8-bit bilde kan ha. Et 8-bit bilde har verdier fra 0 til og med 255. Ved fremvising tilpasser matplotlib seg til verdiene som den innsendte matrisen har. Dette kan føre til at vi ikke ser resultatene etter å ha utført noen operasjoner. For å sørge for at matplotlib viser bildet som om bildet har verdier mellom 0 og 255, kan en bruke vmin og vmax: 

plt.imshow(img,vmin=0,vmax=255)


Noen ganger kan bildet se lite ut i vinduet. Det er mulig å sørge for at matplotlib skalerer bildet slik at det fyller hele vinduet. Det kan gjøres slik: 

plt.imshow(<bilde og andre argumenter>, aspect='auto')

En liten demonstrasjon

Denne demonstrasjonen oppsummerer det som har vært beskrevet i denne innledningen. Dette er kanskje en av de funksjonskallene som vil bli brukt i programmene, og som er ganske nyttige for å se hvordan et bilde forandrer seg i løpet av et program.

Bildebehandling er et fag der eksperimentering er viktig, og da er det nyttig å vise fram og presentere resultatene programmet har fått. 

from imageio import imread
import matplotlib.pyplot as plt
import numpy as np

img = imread("houses.png", as_gray = True)

plt.imshow(img,cmap='gray')
plt.title("Originalbilde")

# Øke kontrast
img_increased_contrast = img*1.5

# Gjøre bildet lysere
img_brighter = img + 100

plt.figure()

plt.subplot(2,1,1) # subplot deler et vindu i flere delplott.
plt.imshow(img_increased_contrast,cmap='gray',vmin=0,vmax=255,aspect='auto')
plt.title("Økt kontrast")

plt.subplot(2,1,2)
plt.imshow(img_brighter,cmap='gray',vmin=0,vmax=255,aspect='auto')
plt.title("Økt lyshet")

plt.show()

Programmet kan lastes ned her (høyreklikk og trykk "lagre lenke som"/"save link as")

God programmering!