关于opencv的学习（四）

这次学习的是直方图操作和傅里叶变换等操作。

目录

直方图

mask操作：

 均衡化

傅里叶变换：

---

直方图

这是有关直方图库的引用。

 cv2.calcHist(images,channels,mask,histSize,ranges)
images 原图像格式uint8或float32.当传入函数时应用中括号[]
channels同样用中括号来它会告诉我们图像的直方图，如果图像是灰度图就是[0]，如果是彩色图的参数可以是[0][1][2]他们分别对应着BGR
mask掩模图像，统整幅图像的直方图为 None，如果你想要一部分，你就做一个掩模图像并使用
hisSize:BIN的数目，也用中括号
ranges [0-256]

#直方图：

img =cv2.imread('cat.jpg',0)   #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])   #记得加中括号
print(hist.shape)
plt.hist(img.ravel(),256)
plt.show()

我们会得到类似与上述的直方图。

img =cv2.imread('cat.jpg')
print(img.shape)
color =('b','g','r')
for i,col in enumerate(color):
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color=col)
    plt.xlim([0,256])
plt.show()

 使用上述操作，可以得到三个颜色通道的折线图：

mask操作：

掩码=蒙版？

mask = np.zeros(img.shape[:2],np.uint8)  #创建一个黑色的与img同尺寸的图像
print(mask.shape)
mask[100:200,100:367]=255      #设置区域，把需要保存的区域设置成255
cv_show('a',mask)

 可以得到如下的图像：

 黑色的区域代表遮掩，白色的区域表示可以，

masked =cv2.bitwise_and(img,img,mask=mask)   #与操作，不是和掩膜与，而是两个img与，然后只输出掩膜不为0的部分
cv_show('b',masked)

histr = cv2.calcHist([img],[0],mask,[256],[0,256])
plt.plot(histr,color='b')
plt.xlim([0,256])
plt.show()

我们再来看一下变化后的折线图：

我们会发现更靠近中间了。

 均衡化

均衡化过程：直方图均衡化保证在图像像素映射过程中原来的大小关系保持不变，即较亮的区域依旧较亮，较暗的依旧较暗，只是对比度增加，不能明暗颠倒；保证像素映射函数的值域在0和255之间。 累积分布函数是单增长函数，并且值域是0到1。

 均衡的目的是为了增加图像对比度？

#均衡:增强图像对比度?
img1 =cv2.imread('dog.jpg',0)
plt.hist(img.ravel(),256)
plt.show()


equ=cv2.equalizeHist(img1)
plt.hist(equ.ravel(),256)
plt.show()

res=np.hstack((img1,equ))
cv_show('d',res)

      

第一张是均衡化操作之前的，我们会发现，图像直方图更加突出，第二章是均衡化操作之后的，图像直方图会显得更加的平滑。

 

 这是操作前和操作后的对比。

 自适应直方图均衡化，用分块操作，整体效果会更好，但是边缘会有点明显的分块状

#自适应直方图均衡化：分块？有利有弊
clahe =cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))    #clipLimit剪辑限制   tileGridSize平铺网格大小
res_ = clahe.apply(img1)
res=np.hstack((img1,equ,res_))
cv_show('e',res)

三张图的对比：

傅里叶变换：

#频域？堆叠？时域换个方向？

#高频：变化剧烈的灰度分量，边界
#低频：变化缓慢

#低通滤波器：只保留低频，图像模糊
#高通滤波器：只保留高频, 细节增强
#opencv中cv2.dft()和cv2.idft()，输入图像需要先转换成np.flota32格式（时域的结果）
#得到的结果频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift来实现
#cv2.dft()返回的结果是双通道的（实，虚），通常还要转换成图像格式才能展示（0，255）

傅里叶变换是一种函数在空间域和频率域的变换，从空间域到频率域的变换是傅里叶变换，而从频率域到空间域是傅里叶的反变换
时域与频域：

 频域(frequency domain)
是指在对函数或信号进行分析时，分析其和频率有关部份，而不是和时间有关的部份，和时域一词相对。
 时域
是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。若考虑离散时间，时域中的函数或信号，在各个离散时间点的数值均为已知。若考虑连续时间，则函数或信号在任意时间的数值均为已知。在研究时域的信号时，常会用示波器将信号转换为其时域的波形。
 两者相互间的变换
时域（信号对时间的函数）和频域（信号对频率的函数）的变换在数学上是通过积分变换实现。对周期信号可以直接使用傅立叶变换，对非周期信号则要进行周期扩展，使用拉普拉斯变换。
————————————————
版权声明：本文为CSDN博主「ShaneHolmes」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_33208851/article/details/94834614

 这里引用一下ShaneHolmes的文章来解释一下时域和频域.

img = cv2.imread('dog.jpg',0)
img_ = np.float32(img)

dft =cv2.dft(img_,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_=np.fft.fftshift(dft)   #将低频值转换到中间

mag = 20*np.log(cv2.magnitude(dft_[:,:,0],dft_[:,:,1]))#20*是为了方便查看

plt.subplot(121),plt.imshow(img,cmap='gray')  #gary报错？？？
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(mag,cmap='gray')
plt.title('Magn'),plt.xticks([]),plt.yticks([])
plt.show()

#低频在中间

将低频转换到了中间，我们来看一下图像：

低频都集中了中间，白点处附近。

通过低通滤波实现的逆过程

img = cv2.imread('dog.jpg',0)
img_ = np.float32(img)

dft =cv2.dft(img_,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_=np.fft.fftshift(dft)   #将低频值转换到中间

row,cols = img.shape#图像的shape值大小
crow,cool = int(row/2),int(cols/2) #中心点位置

#低通滤波
mask =np.zeros((row,cols,2),np.uint8)
mask[crow-30:crow+30,cool-30:cool+30]=1

#IDFT(逆过程)
fshift = dft_*mask
f_shift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_shift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img,cmap='gray')  #gary报错？？？
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.show()

会使图像的颜色更柔和，也会使图像变的模糊

而高通滤波的逆过程只需要改变一下mask就行：

#高通滤波：
mask =np.ones((row,cols,2),np.uint8)
mask[crow-30:crow+30,cool-30:cool+30]=0  #区别

 会使图像的细节更加的凸显。另外在频域中做处理更方便，更高效。