【Python_Opencv图像处理框架】直方图与傅里叶变换

写在前面

本篇文章是opencv学习的第五篇文章，主要讲解了直方图与傅里叶变换的有关操作，作为初学者，我尽己所能，但仍会存在疏漏的地方，希望各位看官不吝指正🥰

---

写在中间

一、直方图

（ 1 ）简单介绍

直方图是可以对整幅图的灰度分布进行整体了解的图示，通过直方图我们可以对图像的对比度、亮度和灰度分布等有一个直观了解。
在数字图像处理中，直方图可以用来了解图像中像素的分布情况。直方图显示了图像中每个灰度级别的像素数目，使我们可以对图像的对比度、亮度和灰度分布等有一个直观了解。
直方图通常用来进行图像增强和色彩校正。例如，如果我们发现图像的直方图集中在低灰度级别处，可以通过调整图像的亮度和对比度来增强图像。同样地，如果图像的直方图峰值偏移，可以通过色彩校正来调整图像的色彩平衡。

（ 2 ）操作实现

cv2.calcHist(images, channels, mask, histSize, ranges)

images：要计算直方图的图像数组。（以 [img] 的形式传入）

channels：灰度图为 [0]，彩色图B/G/R分别传入[0][1][2]。

mask：掩模图像，统计正负图像的数据就设置为None

histSize：指定直方图的大小。默认值为 [256]，表示每个通道的像素数量。

ranges：指定直方图中每个通道像素值的范围。通常情况下为[0, 256]，如果没有提供此参数，那么 OpenCV 会自动计算范围。

（ 3 ）代码展示

# 灰度直方图
img = cv2.imread("D:\python\Program\pythonProject\photos\A6.png", 0)

hist = cv2.calcHist([img], [0], None, [256], [0, 256])
plt.hist(img.ravel(), 256)
plt.show()

# BGR 直方图
img = cv2.imread("D:\python\Program\pythonProject\photos\A6.png")
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()

（ 4 ）效果实现

灰度直方图

BGR直方图

二、图像均衡化

（ 1 ）简单介绍

直方图均衡化：

1. 包括灰度直方图均衡化和彩色直方图均衡化这两种。
2. 其中前者比较简单，直接使用函数即可，后者需要对三个通道进行分离，分别处理后合并输出。

自适应图像均衡化：

1. 直方图均衡化是应用于整幅图片的，会导致一些图片部位太亮，导致大部分细节丢失，因此引入自适应均衡来解决这个问题。

2. 它在每一个小区域内（默认8×8）进行直方图均衡化。当然，如果有噪点的话，噪点会被放大，需要对小区域内的对比度进行限制。

（ 2 ）操作实现

cv2.equalizeHist()

• 参数为输入图像

（ 3 ）代码展示

img = cv2.imread("D:\python\Program\pythonProject\photos\A6.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图

# 灰度图均衡化
equ = cv2.equalizeHist(gray)
hist = cv2.calcHist([equ], [0], None, [256], [0, 256])
plt.hist(img.ravel(), 256)
plt.show()

# 原图和均衡图
result1 = np.hstack((gray, equ))
cv2.imshow('result1', result1)
cv2.waitKey(0)
cv2.destroyAllWindows()

#---------------------------------------------------------------

# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 合并每一个通道
equ2 = cv2.merge((bH, gH, rH))

# 原图和均衡图
result2 = np.hstack((img, equ2))
cv2.imshow('result2', result2)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 自适应均衡图
img = cv2.imread("D:\python\Program\pythonProject\photos\A6.png", 0)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
cl1 = clahe.apply(img)

# 原图、直方均衡图、自适应均衡图
result3 = np.hstack((img, equ, cl1))
cv2.imshow('result3', result3)
cv2.waitKey(0)
cv2.destroyAllWindows()

（ 4 ）效果实现

灰度图均衡化：

彩色图均衡化：

自适应均衡图：（原图、直方均衡图、自适应均衡图）

三、傅里叶变换

（ 1 ）简单介绍

傅里叶变换是一种用于信号处理和图像处理的重要技术。

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（振幅较为平缓），会使得图像模糊。

• 高通滤波器：只保留高频（振幅较为剧烈），会使得图像细节增强。

（ 2 ）操作实现

cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)

第一个参数是要转换的图像.

第二个参数是指定输出类型的标志。在这里，我们使用了cv2.DFT_COMPLEX_OUTPUT标志，意味着输出将是一个复数矩阵。复数矩阵可以表示频域中的实部和虚部信息。

（ 3 ）代码实现
频谱展示：

img = cv2.imread("D:\python\Program\pythonProject\photos\A7.png", 0)
# 输入图像需要先转换成np.float32 格式
img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)

# 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。
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('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

高通和低通滤波：

img = cv2.imread("D:\python\Program\pythonProject\photos\A7.png", 0)
img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
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：输出细节特征，轮廓就会显得模糊，创建掩码时需要中心化为1，周围为0的一个mask矩阵。
mask_1 = np.zeros((rows, cols, 2), np.uint8)
mask_1[crow-30:crow+30, ccol-30:ccol+30] = 1

# 高通滤波：输出轮廓特征，除去细节，创建掩码时需要中心化为0，周围为1的一个mask矩阵。
mask_2 = np.ones((rows, cols, 2), np.uint8)
mask_2[crow-30:crow+30, ccol-30:ccol+30] = 0


# IDFT(低通)
fshift = dft_shift*mask_1
f_ishift = np.fft.ifftshift(fshift)
img_back_1 = cv2.idft(f_ishift)
img_back_1 = cv2.magnitude(img_back_1[:, :, 0], img_back_1[:, :, 1])

# IDFT(高通)
fshift = dft_shift*mask_2
f_ishift = np.fft.ifftshift(fshift)
img_back_2 = cv2.idft(f_ishift)
img_back_2 = cv2.magnitude(img_back_2[:, :, 0], img_back_2[:, :, 1])

# 展示
plt.subplot(121), plt.imshow(img_back_1, cmap='gray')
plt.title('LPF'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back_2, cmap='gray')
plt.title('HPF'), plt.xticks([]), plt.yticks([])

plt.show()

（ 4 ）效果展示

频谱展示

高通滤波和低通滤波

---

写在后面

👍🏻 点赞，你的认可是我创作的动力！
⭐ 收藏，你的青睐是我努力的方向！
✏️ 评论，你的意见是我进步的财富！