Opencv学习笔记（五）-----直方图、直方图均衡化、自适应直方图均衡化和傅里叶变化的两种滤波器

一、直方图

• cv2.calcHist(img,channels,mask,histSize,rangs)
  img:原图像格式为unit8或float32,当传入函数时，用[]括起来，例如[img]；
  channels:同样用[],告诉函数统计图像的直方图，如果传入图象是灰度图，它的值就是[0],如果是彩色图传入的参数，[0]，[1]，[2]，分别对应BGR通道；
  mask：掩码图像，统计整幅图的直方图就设置为None；用图像某部分统计直方图就制作一个掩码图像并使用；
  histSize：BIN的数目；
  rangs：像素范围[0,256]；

1.直方图

1.1统计的BGR三个通道图像中像素点的直方图

#2.一张图片的三个通道直方图统计
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()

1.2图像的掩码操作

#mask掩码图像操作
img = cv2.imread('cat.jpg')
mask = np.zeros(img.shape[:2],np.uint8)
#取中间位置100-300，100-400的方框为白色
mask[100:300,100:400] = 255
#原图和掩码做与操作
mask_img = cv2.bitwise_and(img,img,mask=mask) 

hist_full  = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask  = cv2.calcHist([img],[0],mask,[256],[0,256])
#原图
plt.subplot(221), plt.imshow(img, cmap='gray')
plt.title('img')
#掩码图像
plt.subplot(222), plt.imshow(mask, cmap='gray')
plt.title('mask')
#原图和掩码相与后的结果图
plt.subplot(223), plt.imshow(mask_img, cmap='gray')
plt.title('mask_img')
#统计直方图
#图四为做了掩码操作和没做该操作的对比直方图
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.title('hist')
plt.xlim([0,256])
plt.savefig('01_2.png')
plt.show()

2.直方图均衡化

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

#读取原始图像的灰度图
img = cv2.imread('cat.jpg',0)
#计算直方图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
#传入图像到直方图均衡化函数
equ = cv2.equalizeHist(img)
#第一行为原图直方图和均衡化直方图对比图
#第二行为原图和均衡化处理后对比图
plt.subplot(221),plt.hist(img.ravel(),256)
plt.subplot(222),plt.hist(equ.ravel(),256)
plt.subplot(223),plt.imshow(img, cmap='gray')
plt.subplot(224),plt.imshow(equ, cmap='gray')

plt.xlim([0,450])
plt.savefig('02cat01.png')
plt.show()

换一张内容细节更多的图，直方图均衡化后明显丢掉了一部分图像特征；所以引出自适应直方图均衡化

3.自适应直方图均衡化

将图像按照指定的尺寸大小分成多个小图，对多个小图单独进行直方图均衡化，对比原图、直方图均衡化、自适应直方图均衡化三张图，自适应均衡化处理后的效果明显更好；

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt
#读取灰度图
img = cv2.imread('cat.jpg',0)
#计算直方图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
#传入图像到直方图均衡化函数
equ = cv2.equalizeHist(img)
#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))
#原图，直方图均衡化，自适应直方图均衡化对比图
cv_show(res,'res','03clahe1.png')

二、傅里叶变化

1傅里叶变化

傅里叶分析高赞博文，满满的干货，看懂就是大佬https://zhuanlan.zhihu.com/p/19763358

高频：变化剧烈地灰度分量，例如边界
低频：变化缓慢的灰度分量，例如一片大海

低通滤波器：只保留低频，图像会变得更模糊
高通滤波器：只保留高频，图像细节增强

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

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]))
#原图
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Tnput Image'),plt.xticks([]),plt.yticks([])
#傅里叶变换后的图像
#中间的白点表示低频部分，
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'),plt.xticks([]),plt.yticks([])
plt.savefig('01fft.png')
plt.show()

2.低通滤波器

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
#将白色拉到中心位置
dft_shift = np.fft.fftshift(dft)

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)
#制作掩码：中心点的上下左右四个方向取30长度的方框，即为60*60的正方形；用白色填充即mask=1
mask[crow-30:crow+30,ccol-30:ccol+30] = 1


#IDFT：傅里叶变换的逆运算
#图片经过低通滤波器
fshift = dft_shift*mask
#将低频位置拉回原位
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
# 拉回原位后还无法查看，因为数据是实部和虚部，再进行处理即可查看
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

#原图
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Tnput Image'),plt.xticks([]),plt.yticks([])
#傅里叶变换后的图像
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.savefig('02idft01.png')
plt.show()

3.高通滤波器

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
#将低频拉到中心位置
dft_shift = np.fft.fftshift(dft)

rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)#中心位置

#低通滤波
mask = np.ones((rows,cols,2),np.uint8)
#制作掩码：中心点的上下左右四个方向取30长度的方框，即为60*60的正方形；用白色填充即mask=1
mask[crow-30:crow+30,ccol-30:ccol+30] = 0

#IDFT：傅里叶变换的逆运算
#图片经过低通滤波器
fshift = dft_shift*mask
#将低频位置拉回原位
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
# 拉回原位后还无法查看，因为数据是实部和虚部，再进行处理即可查看
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

#原图
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Tnput Image'),plt.xticks([]),plt.yticks([])
#傅里叶变换后的图像
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.savefig('02idft02.png')
plt.show()