接上次笔记,继续学习~~~
图像的处理(三)
直方图
cv2.calcHist(images,channels,mask,histSize,ranges)
images:原图像图像格式为uint8或floa32,当传入函数时应用中括号[ ]括起来,例如[img]
channels:同样用中括号括起来它会告诉函数我们统计图像的直方图,如果图像是灰度图像它的值就是[0],如果是彩色图像的传入参数可以是[0][1][2],他们分别对应着BGR
mask:掩模图像,统计整幅图像的直方图就把它为None,但是如果你想统计某并使用它。一部分的直方图就制作一个掩模图像
histSize:BIN的数目,也应用中括号括起来
ranges:像素值范围为[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])
print(hist.shape)
plt.hist(img.ravel(),256)
plt.show()
img = cv2.imread('cat.jpg')
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()
#mask操作
#创建mask
mask = np.zeros(img.shape[:2],np.uint8)
print(mask.shape)
mask[100:300,100:400] = 255
cv_show(mask,'mask')
img = cv2.imread('cat.jpg')
cv_show(img,'img')
masked_img = cv2.bitwise_and(img,img,mask=mask) #与操作
cv_show(masked_img,'mask_img')
hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])
plt.plot(hist_full)
plt.plot(hist_mask)
plt.show()
直方图均衡化
#直方图均衡化
img = cv2.imread('clahe.jpg',0) #0表示灰度图
plt.hist(img.ravel(),256)
plt.show()
equ = cv2.equalizeHist(img) #均衡化化函数
plt.hist(equ.ravel(),256)
plt.show()
res = np.hstack((img,equ))
cv_show(res,'res')
#自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show(res,'res')
傅里叶变换
我们生活在时间的世界种,早上七点起来吃早饭,八点去挤地铁,九点开始上班。。。。以时间为参照就是时域分析。
但是在频域种一切都是静止的!
傅里叶变换的作用
高频:变化剧烈的灰度分量,例如边界
低频:变化缓慢的灰度分量,例如一片大海
滤波
低通滤波器:只保留低频,会使得图像模糊
高通滤波器:只保留高频,会使得图像细节增强
opencv中主要就是cv.dft()和cv.idft(),输入图像需要先转换程np.float32格式。
得到的结果中频率为0的部分会在左上角,通常要转换到中心位置,可以通过shift变换来实现。
cv.dft()返回的结果是双通道的(实部,虚部),通常还需要转换成图像的格式(才能显示(0,255))。
#傅里叶变换
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
#得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray')
plt.title('Magnitude Spectrum'),plt.xticks([]),plt.yticks([])
plt.show()
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2) #中心位置
#低通滤波
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 1 #置1
#IDFT
fshift = dft_shift*mask
f_ishift = np.fft.fftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img,cmap='gray')
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()
#高通滤波
mask = np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 0 #置0
#IDFT
fshift = dft_shift*mask
f_ishift = np.fft.fftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img,cmap='gray')
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()