直接上代码:
#!/usr/bin/env python
# -*- coding:utf-8 -*-
# Author: Hren
import cv2
import numpy as np
import matplotlib.pyplot as plt
image = cv2.imread('../image/0.jpg') # 读入RGB图像
rows,cols,_=image.shape
image = cv2.resize(image, (cols//4, rows//4)) # 原图太大,resize为原图1/16
rows,cols,ch=image.shape
print('行/高:',rows,'列/宽:',cols,'通道:',ch)
image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
cv2.imshow('image', image)
plt.subplot(1,2,1)
# 第一种 按照原理绘制直方图
hist = np.zeros(256) # 灰度直方图一维数组
for i in range(rows):
for j in range(cols):
hist[image[i, j]] +=1 # 灰度值所对应的数组位置计数加1
plt.plot(hist, 'black')
# 第二种 Matplotlib绘制直方图
plt.hist(image.ravel(), 256, [0, 256], color='r')
# 直方图均衡化
G = image.copy()
p_hist = hist/(rows * cols) # 计算原图灰度分布概率
p_add_hist = [0]*256 # 计算原图灰度累计分布概率
p_add = p_hist[0]
for i in range(1, len(hist)):
p_add += p_hist[i]
p_add_hist[i] = p_add
for i in range(rows):
for j in range(cols):
G[i, j] = p_add_hist[image[i, j]]*255 # 直方图均衡化后图像
cv2.imshow('G', G)
plt.subplot(1,2,2)
# Matplotlib绘制直方图
plt.hist(G.ravel(), 256, [0, 256], color='r')
plt.show() # 两种直方图绘制在一张图上
cv2.waitKey(0)
cv2.destroyAllWindows()
处理结果:
原图(左)&直方图均衡化后(右)
可以看到,经过直方图均衡化后可看出图片效果比之前好了许多,远处的云变得更加清晰。
均衡化前后直方图比较:
基于灰度直方图的阈值分割:
在某种意义上,之所以说用两个峰之间的最低谷(谷点)的灰度值作为阈值来确定阈值分割是最适宜的,是因为直方图是面积函数的导数。在谷底附近,直方图的值相对较小,意味着面积函数随阈值灰度级的变化很缓慢。如果我们选择谷底处的灰度值作为阈值可以使其对物体边界的影响达到最小。
根据均衡化之前的直方图,可以看出谷底处的灰度值大概是200。阈值分割效果如下:
# 利用直方图谷底灰度值进行阈值分割
threshold = image.copy()
for i in range(rows):
for j in range(cols):
if threshold[i, j] <= 200:
threshold[i, j] = 0
else:
threshold[i, j] = 255
cv2.imshow('threshold', threshold)
cv2.imwrite('../csdn/threshold.png', threshold)