1.模式匹配matchTemplate
h,w = template.shape[:2]#获得模板的长宽
res = cv2.matchTemplate(img,template,cv2.TM_CCORR_NORMED)
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)#得到最小和最大值坐标
let = max_loc
right = (let[0]+w,let[1]+h)
cv2.rectangle(img,let,right,(0,0,255),2) #画矩形 构建与模板一样大小的矩形
2.计算直方图calcHist()
必须是单通道
calcHist(图,通道,掩码,最大值,范围)
0是灰度通道,b:1 g:2 r:3
hist = cv2.calcHist([img],[0],None,[256],[0,256]) #得到的是一个[N,1]的矩阵,描述的直方图的信息
# plt.hist是一个画直方图的命令;img.ravel()可以将图片转化成一维数组,
# 256是BIN的数目,[0,256]是像素取值范围,相当于在0-256的像素值范围内化了256组(即BIN数)
plt.hist(img.ravel(),16,[0,255])
plt.plot(hist,'black') #方法二:直线图
#彩色图片的bgr的直方图
color = ('b', 'g', 'r'),plt.subplot(2,3,3)
for i, col in enumerate(color):
hist = cv2.calcHist([img], [i], None, [256], [0, 256])
plt.plot(hist, color=col),plt.xlim([0, 256])
mask = np.zeros(img.shape[:2], np.uint8) # 创建掩码,只取0和255,无符号整型
mask[100:300, 100:400] = 255
x = cv2.bitwise_and(img,img,mask=mask)#与操作,
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])#0是灰度通道
3.直方图均衡化
方法一:
img_hist = cv2.equalizeHist(img)#直方图均衡化
局部均衡化 clipLimit颜色对比度的阈值(垫高)
# titleGridSize进行像素均衡化的网格大小,即在多少网格下进行直方图的均衡化操作
img1 = cv2.createCLAHE(clipLimit=1.0, tileGridSize=(3, 3))# 用于生成自适应均衡化图像
img1 = img1.apply(img)
4.傅叶变化
img_f = np.float32(img) 转成浮点数
dft_np = np.fft.fft2(img)#方法1:numpy的傅叶变换
#频率中心化
f_shift = np.fft.fftshift(dft_np)#f_shift结果是单通道为a+bj形式 有512行,512列 即512*512
# 构建振幅图的公式没学过
magnitude_spectrum = 20 * np.log(np.abs(f_shift))
方法二:
#falg:
#DFT_COMPLEX_OUTPUT: 输出复数形式
# DFT_REAL_OUTPUT: 只输出复数的实部
# DFT_INVERSE:进行傅里叶逆变换
# DFT_SCALE: 是否除以M * N (M行N列的图片,共有有M * N个像素点)
# DFT_ROWS: 输入矩阵的每一行进行傅里叶变换或者逆变换
#结果一样,但是是双通道的。第一个通道是结果的实数部分,第二个通道是结果的虚数部分
dft = cv2.dft(img_f,flags=cv2.DFT_COMPLEX_OUTPUT)
#结果是512*512*2(分实部和虚部)
dft_shift = np.fft.fftshift(dft)#将零频率分量移动到频谱的中心。
#计算二维矢量的幅值:magnitude()函数就是平凡和开根号
mang_ = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))#把虚数转成实数
5.反傅叶变化
先进行傅叶变化
img = np.float32(img)
img_dft = cv2.dft(img,flags=cv2.DFT_COMPLEX_OUTPUT) #复叶变换
img_mid_dft = np.fft.fftshift(img_dft)
p_img = 20*np.log(cv2.magnitude(img_mid_dft[:,:,0],img_mid_dft[:,:,1]))#构建频率在空域的表示模型
获得中心坐标
rows,cols = img.shape[:2]#获得img的长宽
crow,ccol = int(rows/2),int(cols/2)
mask = np.zeros((rows,cols,2),np.uint8)#构建低通滤波 255*255*2
mask[crow-30:crow+30,ccol-30:ccol+30] = 1
#IDFT 低频(靠近频率谱中间的成分)
f_shit = img_mid_dft*mask#类似空域的卷积
#构建低通滤波后 频率的空域表示图
f_b_img = 20*np.log(cv2.magnitude(f_shit[:,:,0],f_shit[:,:,1]))
f_i_shit = np.fft.ifftshift(f_shit) #反中心化
img_back = cv2.idft(f_i_shit)#反傅叶变化
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])#虚数==>实数化,平方和开根号
#构建高频成分 (就是频谱中心的外面的)
h_mask = np.ones((rows,cols,2),np.uint8)
h_mask[crow-30:crow+30,ccol-30:ccol+30] = 0
# IDFT 高通滤波
h_f_shit = img_mid_dft * h_mask
h_f_b_img = 20 * np.log(cv2.magnitude(h_f_shit[:, :, 0], h_f_shit[:, :, 1]))#构建高通滤波后频谱的空域表
h_f_i_shit = np.fft.ifftshift(h_f_shit)#反中心化
h_img_back = cv2.idft(h_f_i_shit)
h_img_back = cv2.magnitude(h_img_back[:, :, 0], h_img_back[:, :, 1])