图像运算和图像增强四

news/2024/7/7 20:37:38

图像运算和图像增强四

1.图像直方图理论知识和绘制实现

（1)图像直方图理论知识
灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率,可以通过归一化化为到（0，1）之间。
在这里插入图片描述
(2)OpenCV绘制直方图
使用calcHist()函数计算直方图，计算完成之后采用OpenCV中的绘制函数，如绘制矩形的rectangle()函数，绘制线段的line()函数来完成。

  • hist = cv2.calcHist(images, channels, mask, istSize,ranges, accumulate)
  • channels 表示指定通道，通道编号需要使用中括号，输入图像是灰度图像时，它的值为[0]，彩色图像则为[0]、[1]、[2]，分别表示蓝色（B）、绿色（G）、红色（R）
  • mask 表示可选的操作掩码。如果要统计整幅图像的直方图，则该值为 None；如果要统计图像的某一部分直方图时，需要掩码来计算
  • histSize 表示灰度级的个数，需要使用中括号，比如[256]
  • ranges 表示像素值范围，比如[0, 255]
  • accumulate 表示累计叠加标识，默认为 false，如果被设置为true，则直方图在开始分配时不会被清零，该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图；多个直方图的累积结果用于对一组图像的直方图计算
import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
#读取图像
src=cv2.imread('lena-hd.png')


#计算256灰度级的图像直方图
hist = cv2.calcHist([src], [0], None, [256], [0,255])


#输出直方图大小、形状、数量
print(hist.size)
print(hist.shape)
print(hist)
#设置字体
matplotlib.rcParams['font.sans-serif']=['SimHei']

#显示原始图像和绘制的直方图
plt.subplot(121)
plt.imshow(src, 'gray')
plt.axis('off')
plt.title("(a)Lena 灰度图像")

plt.subplot(122)
plt.plot(hist, color='r')
plt.xlabel("x")
plt.ylabel("y")
plt.title("(b)直方图曲线")
plt.show()

# 彩色图像绘制直方图
#读取图像
src = cv2.imread('lena.png')
#转换为 RGB 图像
img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)
#计算直方图
histb = cv2.calcHist([src], [0], None, [256], [0,255])
histg = cv2.calcHist([src], [1], None, [256], [0,255])
histr = cv2.calcHist([src], [2], None, [256], [0,255])
#设置字体
matplotlib.rcParams['font.sans-serif']=['SimHei']
#显示原始图像和绘制的直方图
plt.subplot(121)
plt.imshow(img_rgb, 'gray')
plt.axis('off')
plt.title("(a)Lena 原始图像")
plt.subplot(122)
plt.plot(histb, color='b')
plt.plot(histg, color='g')
plt.plot(histr, color='r')
plt.xlabel("x")
plt.ylabel("y")
plt.title("(b)直方图曲线")
plt.show()

在这里插入图片描述
（3）Matplotlib绘制直方图
Python 绘制直方图主要调用 matplotlib.pyplot 库中 hist()函数实现，它会根据数据源和像素级绘制直方图，通常需要通过
函数 ravel()拉直图像将图片转为一维

  • n, bins, patches = plt.hist(arr, bins=50, normed=1,
    facecolor=‘green’, alpha=0.75)
  • arr 表示需要计算直方图的一维数组
  • bins 表示直方图显示的柱数，可选项，默认值为 10
  • normed 表示是否将得到的直方图进行向量归一化处理，默认值为0
  • facecolor 表示直方图颜色
  • alpha 表示透明度
  • n 为返回值，表示直方图向量
  • bins 为返回值，表示各个 bin 的区间范围
  • patches 为返回值，表示返回每个 bin 里面包含的数据，是一个列表
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图像
src=cv2.imread('lena-hd.png')
#绘制直方图
plt.hist(src.ravel(),256)
plt.xlabel('x')
plt.ylable('y')
plt.show()

在这里插入图片描述

plt.hist(src.ravel(), bins=256, density=1, facecolor='green', alpha=0.75)

在这里插入图片描述

# 绘制彩色图像的彩色直方图（三维）
import cv2
import numpy as np
import matplotlib.pyplot as plt
src=cv2.imread('lena.png')
b,g,r=cv2.split(src)
#绘制直方图
plt.figure('lena')
#蓝色分量
plt.hist(b.ravel(),bins=256,density=1,facecolor='b',edgecolor='b',alpha=0.75)
#绿色分量
plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75)
#红色分量
plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)
plt.xlable('x')
plt.ylable('y')

在这里插入图片描述

#绘制多张图片
import cv2 
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
src=cv2.imread('lena.png')
img_rgb=cv2.cvtColor(src,cv2.COLOR_BGR2RGB)
b,g,r=cv2.split(src)

plt.figure(figsize=(8,6))
matplotlib.rcParams['font.sans-serif']=['SimHei']

#原始图像
plt.subplot(221)
plt.imshow(img_rgb)
plt.axis('off')
plt.title('(a)原图像‘）
#绘制蓝色分量直方图
plt.subplot(222)
plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75)
plt.xlabel("x")
plt.ylabel("y")
plt.title("(b)蓝色分量直方图")
#绘制绿色分量直方图
plt.subplot(223)
plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g',alpha=0.75）
plt.xlabel("x")
plt.ylabel("y")
plt.title("(c)绿色分量直方图")
#绘制红色分量直方图
plt.subplot(224)
plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)
plt.xlabel("x")
plt.ylabel("y")
plt.title("(d)红色分量直方图")
plt.show()

在这里插入图片描述

2.图像灰度直方图对比分析

（1）灰度增强直方图对比
通过灰度值上移，提升图像的亮度

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图像
img=cv2.imread('lena-hd.png')
#图像灰度转换
grayimage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#获取图像高度和宽度
height=grayimage.shape[0]
width=grayimage.shape[1]
result=np.zeros((height,width),np.uint8)
#图像灰度上移变换 DB=DA+50
for i in range(height):
	for j in range(width):
		if(int(grayimage[i,j]+50>255):
			gray=255
		else:
			gray=int(grayimage[i,j]+50)
		result[i,j]=np.uint8(gray)
#计算原图的直方图
hist=cv2.calcHist([img],[0],None,[256],[0,255])
#计算灰度变换的直方图
hist_res=cv2.calcHist([result],[0],None,[256],[0,255])

#原始图像
plt.figure(figsize=(8,6))
plt.subplot(221),plt.imshow(img,'gray'),plt.title('(a)),plt.axis('off')
#绘制掩膜
plt.subplot(222),plt.plot(hist),plt.title('(b)'),plt.xlable('x'),plt.ylable('y')
#绘制掩膜设置后的图像
plt.subplot(223),plt.imshow(result,'gray'),plt.title('(c)'),plt.axis('off')
#绘制直方图
plt.subplot(224),plt.plot(hist_res),plt.title('(d)'),plt.xlable('x'),plt.ylable('y')
plt.show()

在这里插入图片描述
（2）灰度减弱直方图对比DB=DA x 0.8

#核心代码展示
for i in range(height):
	for j in range(width):
		gray=int(grayimage[i,j]*0.8)
		result[i,j]=np.uint8(gray)

(3) 图像反色直方图对比DB=255-DA

#核心代码展示
for i in range(height):
	for j in range(width):
		gray=255-grayimage[i,j]
		result[i,j]=np.uint8(gray)

(4) 图像对数变换直方图对比
该算法将增加低灰度区域的对比度，从而增强暗部的细节，使用的表达式为：
DB = c x log(1+DA)

for i in range(height):
	for j in range(width):
		gray=42*np.log(1.0+grayimage[i,j])
		result[i,j]=np.uint8(gray)

(5)图像阈值化处理直方图对比
该算法原型为threshold(Gray,127,255,cv2.THRESH_BINARY)，当前像素点的灰度值大于 thresh 阈值时（如 127），其像素点的灰度值设定为最大值（如 9 位灰度值最大为 255）；否则，像素点的灰度值设置为 0。二进制阈值化处理及直方图对比的 Python 代码如下所示。

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
img=cv2.imread('lena-hd.png')
#图像灰度转换
grayimage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二进制阈值化处理
r,result=cv2.threshold(grayimage,127,255,cv2.THRESH_BINARY)
#计算原图的直方图
hist=cv2.calcHist([img],[0],None,[256],[0,256])
#计算阈值化处理的直方图
hist_res=cv2.calcHist([result],[0],None,[256],[0,256])
#原始图像
plt.figure(figsize=(8,6))
plt.subplot(221),plt.imshow(img,'gray'),plt.title('(a)'),plt.axis('off')
#绘制原始图像直方图
plt.subplot(222),plt.plot(hist),plt.title('(b)'),plt.xlable('x'),plt.ylable('y')
#阈值化处理后的图像
plt.subplot(223),plt.imshow(result,'gray'),plt.title('(c)'),plt.axis('off')
#阈值化处理图像的直方图
plt.subplot(224),plt.plot(hist_res),plt.title('(d)'),plt.xlable('x'),plt.ylable('y')

plt.show()

在这里插入图片描述


http://lihuaxi.xjx100.cn/news/98242.html

相关文章

降C大法——第3式

降C大法——第3式

“总有人间一两风， 填我十万八千梦” 🍑作者：小赛毛 💕文章初次日期：2022/10/21 赋值表达式 a.基本的赋值表达式 变量 表达式 赋值号：是把赋值号右边的内容赋给左边的变量 tips&#xff1…
阅读更多...
js-Date对象

js-Date对象

1、Date对象的创建：保存的是时间 var d new Date; console.log(d) 如果使用构造函数直接创建Date对象则会封装为当前代码的执行时间 2、创建指定的时间对象——在构造函数中传递表示时间的字符串作为参数 语法： 字符串月份/日/年 时:分:秒…
阅读更多...
什么是 Web 3.0？（新手入门指南）

什么是 Web 3.0？（新手入门指南）

在这篇文章中，我们将解释什么是 Web 3.0，它的技术是如何发展的，哪些项目正在构建这个新的互联网，以及您如何参与其中。 目录 在这篇文章中，我们将解释什么是 Web 3.0，它的技术是如何发展的，哪些…
阅读更多...
浅谈UIButton的类型

浅谈UIButton的类型

文章目录前言不对劲的一个出现UIButtonTypeSystem解决方法UIButtonTypeCustom其他类型的buttonUIButtonTypeRoundedRectUIButtonTypeCloseUIButtonTypeInfoDarkUIButtonTypeContactAddUIButtonTypeInfoLightUIButtonTypeDetailDisclosure总结前言 这周在写一个小Demo的时候&am…
阅读更多...
MindSpore手写数字识别体验

MindSpore手写数字识别体验

文章目录1. 环境准备2. 安装minspore及其套件3. 程序撰写4. 总结今天带大家体验一下 MindSpore 这个 AI 框架来完成手写数字识别的任务1. 环境准备 使用Anaconda创建虚拟环境: conda create -n mindspore python3.8创建完成后会显示以下的图像界面 这样我们的虚拟环境mindsp…
阅读更多...
compression记录(compress)

compression记录(compress)

数据压缩记录用于从数组采集并且压缩数据。当INP字段引用一个数据数组字段，它立即使用若干算法之一压缩整个数组一个数组的一个元素，重写先前值。如果INP字段从一个标量值字段获取了它的值，这个compress记录将在这个记录每次运行时采集一个新…
阅读更多...
Jupyterlab安装和配置

Jupyterlab安装和配置

一、安装 运行以下命令安装jupyterlab和中文语言包。 conda install jupyterlab conda install jupyterlab-language-pack-zh-CN二、配置 1. 修改文件路径 参考链接：修改Jupyter Lab、Jupyter Notebook的工作目录_奶茶可可的博客-CSDN博客_jupyterlab目录 ste…
阅读更多...
Web3 如何走向主流：除时间外 这 3 个关键领域值得关注

Web3 如何走向主流：除时间外 这 3 个关键领域值得关注

我刚从拉斯维加斯的 W3BX 博览会上呆了一周回来。此次参会，我参加了 11 个小组讨论。我遇到了数百人，包括几十个对 Web3 和 NFT 世界完全陌生的人。我脑海中反复出现的问题是“我们应该怎样才能改善新的用户体验？” 我们中的许多会经常谈论“…
阅读更多...
最新文章

Copyright @ 2022~2023