10. 画像処理の基礎¶

import numpy as np
from PIL import Image

# 60×60 のRGB画像を作成（3色の縦ストライプ）
img_array = np.zeros((60, 60, 3), dtype=np.uint8)
img_array[:, :20, :] = [255, 0, 0]  # 左:赤
img_array[:, 20:40, :] = [0, 255, 0]  # 中:緑
img_array[:, 40:, :] = [0, 0, 255]  # 右:青

# NumPy配列からPillow画像を作成して保存
img = Image.fromarray(img_array)
img.save('sample.png')
print("画像を保存しました")

from PIL import Image

# 画像の読み込み
img = Image.open('sample.png')

# 画像の基本情報
print(f"フォーマット: {img.format}")
print(f"サイズ: {img.size}")  # (幅, 高さ)
print(f"モード: {img.mode}")  # RGB, L, RGBA

import numpy as np
from PIL import Image

img = Image.open('sample.png')

# NumPy配列に変換
img_array = np.array(img)

print(f"データ型: {img_array.dtype}")
print(f"形状: {img_array.shape}")
print(f"最小値: {img_array.min()}")
print(f"最大値: {img_array.max()}")

# 左上の画素 (0, 0) の RGB 値
print(f"左上の画素値: {img_array[0, 0]}")

import numpy as np
import matplotlib.pyplot as plt

# グレースケール画像の生成（グラデーション）
height, width = 200, 300
gradient = np.linspace(0, 255, width, dtype=np.uint8)
gray_img = np.tile(gradient, (height, 1))

# カラー画像の生成（RGB）
color_img = np.zeros((200, 300, 3), dtype=np.uint8)
color_img[:, :100, 0] = 255  # 左側を赤
color_img[:, 100:200, 1] = 255  # 中央を緑
color_img[:, 200:, 2] = 255  # 右側を青

# 表示
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

axes[0].imshow(gray_img, cmap='gray')
axes[0].set_title('グレースケール画像')
axes[0].axis('off')

axes[1].imshow(color_img)
axes[1].set_title('カラー画像（RGB）')
axes[1].axis('off')

plt.tight_layout()
plt.show()

print(f"グレースケール画像の形状: {gray_img.shape}")
print(f"カラー画像の形状: {color_img.shape}")

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
from urllib.request import urlretrieve

# サンプル画像のダウンロード
url = "https://ml.kano.ac/chapters/data/chikuwa.png"
urlretrieve(url, "chikuwa.png")

# RGBA 画像を白背景に合成して RGB 画像として読み込む
img_rgba = Image.open('chikuwa.png')
background = Image.new('RGB', img_rgba.size, (255, 255, 255))
background.paste(img_rgba, mask=img_rgba.split()[3])
img_array = np.array(background)

print(f"形状: {img_array.shape}")

# カラー画像と R・G・B の各チャンネルをグレースケールの明暗として表示
fig, axes = plt.subplots(1, 4, figsize=(12, 3.4))

axes[0].imshow(img_array)
axes[0].set_title('カラー画像')

for i, name in enumerate(['R チャンネル', 'G チャンネル', 'B チャンネル']):
    axes[i + 1].imshow(img_array[:, :, i], cmap='gray', vmin=0, vmax=255)
    axes[i + 1].set_title(name)

for ax in axes:
    ax.axis('off')

plt.tight_layout()
plt.show()

import numpy as np
from PIL import Image

img = Image.open('sample.png')
img_array = np.array(img, dtype=np.float64)

# 単純平均法
gray_simple = img_array.mean(axis=2)

print(f"形状: {gray_simple.shape}")
print(f"左上: {gray_simple[0, 0]:.1f}")
print(f"中央: {gray_simple[30, 30]:.1f}")

import numpy as np
from PIL import Image

img = Image.open('sample.png')
img_array = np.array(img, dtype=np.float64)

# 加重平均法（ITU-R BT.601）
weights = np.array([0.299, 0.587, 0.114])
gray_weighted = np.dot(img_array, weights)

print(f"形状: {gray_weighted.shape}")
print(f"赤領域: {gray_weighted[30, 10]:.4f}")
print(f"緑領域: {gray_weighted[30, 30]:.4f}")
print(f"青領域: {gray_weighted[30, 50]:.4f}")

from PIL import Image
import numpy as np

img = Image.open('sample.png')

# Pillowのconvertメソッドでグレースケール変換
gray_img = img.convert('L')

print(f"モード: {gray_img.mode}")
print(f"サイズ: {gray_img.size}")

gray_array = np.array(gray_img)
print(f"配列の形状: {gray_array.shape}")
print(f"赤領域: {gray_array[30, 10]}")
print(f"緑領域: {gray_array[30, 30]}")
print(f"青領域: {gray_array[30, 50]}")

import matplotlib.pyplot as plt

fig, axes = plt.subplots(2, 2, figsize=(12, 10))

axes[0, 0].imshow(img_array.astype(np.uint8))
axes[0, 0].set_title('元のカラー画像')
axes[0, 0].axis('off')

axes[0, 1].imshow(gray_simple, cmap='gray', vmin=0, vmax=255)
axes[0, 1].set_title('単純平均法')
axes[0, 1].axis('off')

axes[1, 0].imshow(gray_weighted, cmap='gray', vmin=0, vmax=255)
axes[1, 0].set_title('加重平均法')
axes[1, 0].axis('off')

axes[1, 1].imshow(gray_array, cmap='gray', vmin=0, vmax=255)
axes[1, 1].set_title('convert("L")')
axes[1, 1].axis('off')

plt.tight_layout()
plt.show()

import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage import data

# サンプル画像の読み込み
original = data.astronaut()  # (512, 512, 3)

# 画像をリサイズ（cv2.resize の引数は (幅, 高さ) の順序）
resized = cv2.resize(original, (224, 224))  # よく使われるサイズ

print(f"元の画像: {original.shape}")
print(f"リサイズ後: {resized.shape}")

# 表示
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

axes[0].imshow(original)
axes[0].set_title(f'元の画像 {original.shape[:2]}')
axes[0].axis('off')

axes[1].imshow(resized)
axes[1].set_title(f'リサイズ後 {resized.shape[:2]}')
axes[1].axis('off')

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from skimage import data

# サンプル画像の読み込み
img = data.camera()

# 正規化: 0-255 → 0-1
img_normalized = img / 255.0

print(f"元の画像の範囲: {img.min()} ～ {img.max()}")
print(f"元の画像のデータ型: {img.dtype}")
print(f"正規化後の範囲: {img_normalized.min():.2f} ～ {img_normalized.max():.2f}")
print(f"正規化後のデータ型: {img_normalized.dtype}")

# 表示（matplotlib は 0-1 と 0-255 の両方に対応）
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

axes[0].imshow(img, cmap='gray')
axes[0].set_title(f'元の画像 (0-255)\n{img.dtype}')
axes[0].axis('off')

axes[1].imshow(img_normalized, cmap='gray')
axes[1].set_title(f'正規化後 (0-1)\n{img_normalized.dtype}')
axes[1].axis('off')

plt.tight_layout()
plt.show()

import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage import data

# サンプル画像の読み込み
img = data.chelsea()  # 猫の画像

# 15 度回転用のアフィン変換行列を作成
h, w = img.shape[:2]
M = cv2.getRotationMatrix2D((w / 2, h / 2), 15, 1.0)  # (中心, 角度, 拡大率)

# データ拡張の例
augmented = {
    '元の画像': img,
    '左右反転': cv2.flip(img, 1),                    # 1=水平、0=垂直、-1=両方
    '回転 15度': cv2.warpAffine(img, M, (w, h)),
    '明るさ +50': np.clip(img + 50, 0, 255).astype(np.uint8),
}

# 表示
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
axes = axes.ravel()

for idx, (title, aug_img) in enumerate(augmented.items()):
    axes[idx].imshow(aug_img)
    axes[idx].set_title(title)
    axes[idx].axis('off')

plt.tight_layout()
plt.show()

from skimage import data
import matplotlib.pyplot as plt

# サンプル画像の読み込み（RGB 順序で返される）
img = data.astronaut()

# 画像の表示
plt.figure(figsize=(8, 6))
plt.imshow(img)
plt.title('Astronaut')
plt.axis('off')
plt.show()

# 画像情報の確認
print(f"形状: {img.shape}")
print(f"データ型: {img.dtype}")
print(f"値の範囲: {img.min()} ~ {img.max()}")

import numpy as np
from PIL import Image

# グレースケールのグラデーション画像を作成
gradient = np.tile(np.arange(256, dtype=np.uint8), (100, 1))
img_gray = Image.fromarray(gradient)
img_gray.save('gradient.png')

# NumPy配列に変換
gray_array = np.array(img_gray)

# 固定しきい値 T=128 で二値化
T = 128
binary = np.where(gray_array >= T, 255, 0).astype(np.uint8)

print(f"入力画像の画素値の範囲: {gray_array.min()} - {gray_array.max()}")
print(f"しきい値: {T}")
print(f"二値化後のユニーク値: {np.unique(binary)}")

binary_img = Image.fromarray(binary)
binary_img.save('binary_fixed.png')
print("二値化画像を保存しました")

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# 白い領域が背景と同化しないよう、枠線を残して表示する
axes[0].imshow(gray_array, cmap='gray', vmin=0, vmax=255)
axes[0].set_title('元の画像（グラデーション）')
axes[0].set_xticks([])
axes[0].set_yticks([])

axes[1].imshow(binary, cmap='gray', vmin=0, vmax=255)
axes[1].set_title(f'しきい値 = {T}')
axes[1].set_xticks([])
axes[1].set_yticks([])

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from skimage.filters import threshold_otsu

# テスト用の画像を作成（上半分が暗く、下半分が明るい画像）
img_array = np.zeros((100, 100), dtype=np.uint8)
img_array[:50, :] = 80   # 上半分: 暗い
img_array[50:, :] = 200  # 下半分: 明るい

# ノイズを追加（平均 0、標準偏差 20）
rng = np.random.default_rng(42)
noise = rng.normal(0, 20, img_array.shape)
img_noisy = np.clip(img_array + noise, 0, 255).astype(np.uint8)

# 大津の二値化でしきい値を自動決定
thresh = threshold_otsu(img_noisy)
print(f"大津の二値化で求めたしきい値: {thresh}")

# 二値化
binary_otsu = (img_noisy >= thresh).astype(np.uint8) * 255
print(f"二値化後のユニーク値: {np.unique(binary_otsu)}")

# 表示
fig, axes = plt.subplots(1, 3, figsize=(15, 4.5))

axes[0].imshow(img_noisy, cmap='gray')
axes[0].set_title('元の画像')
axes[0].set_xticks([])
axes[0].set_yticks([])

# ヒストグラム：2つの山とその谷にしきい値が決まる様子を確認する
axes[1].hist(img_noisy.ravel(), bins=64, range=(0, 255), color='#8d6e63')
axes[1].axvline(thresh, color='#c0574d', linestyle='--', linewidth=2,
                label=f'しきい値 = {thresh}')
axes[1].set_title('画素値のヒストグラム')
axes[1].set_xlabel('画素値')
axes[1].set_ylabel('画素数')
axes[1].legend()

# 白い領域が背景と同化しないよう、枠線を残して表示する
axes[2].imshow(binary_otsu, cmap='gray')
axes[2].set_title(f'大津の二値化 (しきい値 = {thresh})')
axes[2].set_xticks([])
axes[2].set_yticks([])

plt.tight_layout()
plt.show()

import numpy as np
from PIL import Image
from urllib.request import urlretrieve
from skimage.filters import gaussian

# サンプル画像のダウンロード
url = "https://ml.kano.ac/chapters/data/hanpen.png"
urlretrieve(url, "hanpen.png")

# RGBA 画像を白背景に合成してからグレースケール化（0〜1に正規化）
img_rgba = Image.open('hanpen.png')
background = Image.new('RGB', img_rgba.size, (255, 255, 255))
background.paste(img_rgba, mask=img_rgba.split()[3])
img_clean = np.array(background.convert('L')) / 255.0

# ガウスノイズを追加
rng = np.random.default_rng(42)
noise = rng.normal(0, 0.3, img_clean.shape)
img_noisy = np.clip(img_clean + noise, 0, 1)

# ガウシアンフィルタでノイズ除去
img_filtered_s1 = gaussian(img_noisy, sigma=1)
img_filtered_s2 = gaussian(img_noisy, sigma=2)

print(f"ノイズ画像 - 平均: {img_noisy.mean():.4f}", end=", ")
print(f"標準偏差: {img_noisy.std():.4f}")
print(f"sigma=1   - 平均: {img_filtered_s1.mean():.4f}", end=", ")
print(f"標準偏差: {img_filtered_s1.std():.4f}")
print(f"sigma=2   - 平均: {img_filtered_s2.mean():.4f}", end=", ")
print(f"標準偏差: {img_filtered_s2.std():.4f}")

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 4, figsize=(12, 3.4))

axes[0].imshow(img_clean, cmap='gray', vmin=0, vmax=1)
axes[0].set_title('元画像')

axes[1].imshow(img_noisy, cmap='gray', vmin=0, vmax=1)
axes[1].set_title('ノイズあり')

axes[2].imshow(img_filtered_s1, cmap='gray', vmin=0, vmax=1)
axes[2].set_title('ぼかし (sigma=1)')

axes[3].imshow(img_filtered_s2, cmap='gray', vmin=0, vmax=1)
axes[3].set_title('ぼかし (sigma=2)')

for ax in axes:
    ax.axis('off')

plt.tight_layout()
plt.show()

import cv2
import numpy as np
import matplotlib.pyplot as plt

# サンプル画像（scikit-image 付属のカメラマン画像、グレースケール）
from skimage.data import camera
img = camera()

# Sobelフィルタの適用
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)  # x方向
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)  # y方向

# エッジ強度の計算
sobel_mag = np.sqrt(sobel_x**2 + sobel_y**2)
sobel_mag = np.uint8(sobel_mag / sobel_mag.max() * 255)

# 結果の表示
fig, axes = plt.subplots(1, 4, figsize=(12, 3.4))

axes[0].imshow(img, cmap='gray')
axes[0].set_title('元画像')

axes[1].imshow(np.abs(sobel_x), cmap='gray')
axes[1].set_title('Sobel X')

axes[2].imshow(np.abs(sobel_y), cmap='gray')
axes[2].set_title('Sobel Y')

axes[3].imshow(sobel_mag, cmap='gray')
axes[3].set_title('エッジ強度')

for ax in axes:
    ax.axis('off')

plt.tight_layout()
plt.show()

import cv2
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# サンプル画像（10.3.1 項でダウンロードした hanpen.png）
img_rgba = Image.open('hanpen.png')
background = Image.new('RGB', img_rgba.size, (255, 255, 255))
background.paste(img_rgba, mask=img_rgba.split()[3])
img = np.array(background.convert('L'))  # 0〜255 の uint8

# ガウシアン平滑化でノイズを抑えてからCannyエッジ検出を適用
img_blur = cv2.GaussianBlur(img, (5, 5), 0)
edges = cv2.Canny(img_blur, threshold1=50, threshold2=150)

# 結果の表示
fig, axes = plt.subplots(1, 2, figsize=(10, 4))

axes[0].imshow(img, cmap='gray')
axes[0].set_title('元画像')

axes[1].imshow(edges, cmap='gray')
axes[1].set_title('Cannyエッジ')

for ax in axes:
    ax.axis('off')

plt.tight_layout()
plt.show()

from skimage import data, filters
import matplotlib.pyplot as plt

# サンプル画像の読み込み
img = data.camera()

# 各種エッジ検出フィルタ
sobel = filters.sobel(img)
prewitt = filters.prewitt(img)
scharr = filters.scharr(img)

# 表示
fig, axes = plt.subplots(2, 2, figsize=(8, 8))

axes[0, 0].imshow(img, cmap='gray')
axes[0, 0].set_title('元画像')
axes[0, 0].axis('off')

axes[0, 1].imshow(sobel, cmap='gray')
axes[0, 1].set_title('Sobel')
axes[0, 1].axis('off')

axes[1, 0].imshow(prewitt, cmap='gray')
axes[1, 0].set_title('Prewitt')
axes[1, 0].axis('off')

axes[1, 1].imshow(scharr, cmap='gray')
axes[1, 1].set_title('Scharr')
axes[1, 1].axis('off')

plt.tight_layout()
plt.show()

from skimage import data, feature, color
import matplotlib.pyplot as plt

# サンプル画像の読み込み
img = data.checkerboard()

# Harrisコーナー検出
coords = feature.corner_harris(img)
coords_binary = coords > 0.01 * coords.max()

# コーナーの座標を取得
corner_coords = feature.corner_peaks(coords, min_distance=10)

# 表示
fig, axes = plt.subplots(1, 3, figsize=(13, 5))

axes[0].imshow(img, cmap='gray')
axes[0].set_title('元画像')
axes[0].axis('off')

axes[1].imshow(coords, cmap='gray')
axes[1].set_title('Harris応答')
axes[1].axis('off')

axes[2].imshow(img, cmap='gray')
axes[2].plot(corner_coords[:, 1], corner_coords[:, 0], 'r.', markersize=10)
axes[2].set_title(f'検出されたコーナー（{len(corner_coords)}個）')
axes[2].axis('off')

plt.tight_layout()
plt.show()

from skimage import data, feature
import matplotlib.pyplot as plt

# サンプル画像の読み込み
img = data.camera()

# FAST特徴点検出
fast = feature.corner_fast(img, threshold=0.15)
keypoints = feature.corner_peaks(fast)

# 表示
plt.figure(figsize=(8, 8))
plt.imshow(img, cmap='gray')
plt.plot(keypoints[:, 1], keypoints[:, 0], 'r.', markersize=8)
plt.title(f'FAST特徴点（{len(keypoints)}個）')
plt.axis('off')
plt.tight_layout()
plt.show()

from skimage import data
import matplotlib.pyplot as plt
import numpy as np

# カラー画像の読み込み（形状は (高さ, 幅, 3) の 3 次元配列）
img = data.astronaut()

# 元画像と RGB ヒストグラムを 1 行 2 列で表示
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

axes[0].imshow(img)
axes[0].set_title('元画像')
axes[0].axis('off')

# RGB 各チャンネルのヒストグラムを同じグラフに重ね描き
colors = ('red', 'green', 'blue')
for i, color in enumerate(colors):
    # img[:, :, i] で i 番目のチャンネル、.ravel() で 1 次元化
    hist, bins = np.histogram(img[:, :, i].ravel(), bins=256, range=(0, 256))
    axes[1].plot(bins[:-1], hist, color=color, alpha=0.7, label=color.upper())

axes[1].set_title('RGB ヒストグラム')
axes[1].set_xlabel('画素値')
axes[1].set_ylabel('頻度')
axes[1].legend()
axes[1].grid(alpha=0.3)

plt.tight_layout()
plt.show()

# R / G / B を 1 行 3 列で表示
fig, axes = plt.subplots(1, 3, figsize=(13, 4))

for i, color in enumerate(colors):
    # 元画像と同じ形状のゼロ配列を作り、i 番目のチャンネルだけを元から
    # コピー → そのチャンネルの強度が R/G/B の色で見える
    channel = np.zeros_like(img)
    channel[:, :, i] = img[:, :, i]

    axes[i].imshow(channel)
    axes[i].set_title(f'{color.upper()} チャンネル')
    axes[i].axis('off')

plt.tight_layout()
plt.show()

from skimage import data
import matplotlib.pyplot as plt
import numpy as np

# 異なる画像のヒストグラムを比較
img1 = data.camera()
img2 = data.coins()

fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# 画像1
axes[0, 0].imshow(img1, cmap='gray')
axes[0, 0].set_title('Camera')
axes[0, 0].axis('off')

axes[1, 0].hist(img1.ravel(), bins=256, range=(0, 256), color='blue', alpha=0.7)
axes[1, 0].set_title('Camera のヒストグラム')
axes[1, 0].set_xlabel('画素値')
axes[1, 0].set_ylabel('頻度')
axes[1, 0].grid(alpha=0.3)

# 画像2
axes[0, 1].imshow(img2, cmap='gray')
axes[0, 1].set_title('Coins')
axes[0, 1].axis('off')

axes[1, 1].hist(img2.ravel(), bins=256, range=(0, 256), color='red', alpha=0.7)
axes[1, 1].set_title('Coins のヒストグラム')
axes[1, 1].set_xlabel('画素値')
axes[1, 1].set_ylabel('頻度')
axes[1, 1].grid(alpha=0.3)

plt.tight_layout()
plt.show()

import numpy as np
from skimage import feature, exposure
import matplotlib.pyplot as plt
from PIL import Image

# サンプル画像（10.3.1 項でダウンロードした hanpen.png）
img_rgba = Image.open('hanpen.png')
background = Image.new('RGB', img_rgba.size, (255, 255, 255))
background.paste(img_rgba, mask=img_rgba.split()[3])
img = np.array(background.convert('L'))

# HOG特徴量の抽出
fd, hog_image = feature.hog(img, orientations=9, pixels_per_cell=(8, 8),
 cells_per_block=(2, 2), visualize=True)

# 可視化のためコントラストを調整
hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))

# 表示
fig, axes = plt.subplots(1, 2, figsize=(9, 5))

axes[0].imshow(img, cmap='gray')
axes[0].set_title('元画像')
axes[0].axis('off')

axes[1].imshow(hog_image_rescaled, cmap='gray')
axes[1].set_title('HOG 特徴量（可視化）')
axes[1].axis('off')

plt.tight_layout()
plt.show()

print(f"HOG特徴量の次元: {len(fd)}")

import numpy as np
from skimage import feature, exposure
import matplotlib.pyplot as plt
from PIL import Image

# サンプル画像（10.3.1 項でダウンロードした hanpen.png）
img_rgba = Image.open('hanpen.png')
background = Image.new('RGB', img_rgba.size, (255, 255, 255))
background.paste(img_rgba, mask=img_rgba.split()[3])
img_gray = np.array(background.convert('L'))

# 異なるパラメータでHOGを抽出
params = [
    {'orientations': 9, 'pixels_per_cell': (8, 8)},
    {'orientations': 9, 'pixels_per_cell': (16, 16)},
    {'orientations': 3, 'pixels_per_cell': (8, 8)},
]

fig, axes = plt.subplots(2, 2, figsize=(8, 8))

axes[0, 0].imshow(img_gray, cmap='gray')
axes[0, 0].set_title('元画像')
axes[0, 0].axis('off')

for idx, param in enumerate(params):
    fd, hog_image = feature.hog(img_gray, cells_per_block=(2, 2), visualize=True, **param)
    hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))

    row, col = (idx + 1) // 2, (idx + 1) % 2
    axes[row, col].imshow(hog_image_rescaled, cmap='gray')
    axes[row, col].set_title(f"orientations={param['orientations']}, " f"cell={param['pixels_per_cell']}")
    axes[row, col].axis('off')

plt.tight_layout()
plt.show()

from skimage import data, feature, filters
import matplotlib.pyplot as plt
import numpy as np

# サンプル画像の読み込み
img = data.camera()

# 各種特徴抽出
edges_sobel = filters.sobel(img)
edges_canny = feature.canny(img, sigma=2)
corners = feature.corner_harris(img)
hog_fd, hog_image = feature.hog(img, visualize=True)
lbp = feature.local_binary_pattern(img, 8, 1, method='uniform')

# 表示
fig, axes = plt.subplots(2, 3, figsize=(15, 10))

axes[0, 0].imshow(img, cmap='gray')
axes[0, 0].set_title('元画像')
axes[0, 0].axis('off')

axes[0, 1].imshow(edges_sobel, cmap='gray')
axes[0, 1].set_title('エッジ（Sobel）')
axes[0, 1].axis('off')

axes[0, 2].imshow(edges_canny, cmap='gray')
axes[0, 2].set_title('エッジ（Canny）')
axes[0, 2].axis('off')

axes[1, 0].imshow(corners, cmap='gray')
axes[1, 0].set_title('コーナー（Harris）')
axes[1, 0].axis('off')

axes[1, 1].imshow(hog_image, cmap='gray')
axes[1, 1].set_title('HOG特徴量')
axes[1, 1].axis('off')

axes[1, 2].imshow(lbp, cmap='gray')
axes[1, 2].set_title('LBP特徴量')
axes[1, 2].axis('off')

plt.tight_layout()
plt.show()