【OpenCV_python】凸包检测 轮廓特征 直方图均衡化 模板匹配 霍夫变换

于 2024-08-19 09:08:54 发布
阅读量536 收藏 15
点赞数 16
文章标签： opencv python 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_73658021/article/details/141267061
版权

凸包特征检测

凸包就是图像的最小外接多边形，通过图像的轮廓点，找到距离最远的两个点的直线，根据直线找到距离最远的下一个点，直到所有的点被包围在多边形内

  1. 读取图像
  2. 二值化
  3. 找图像的轮廓
  4. 获取凸包点的坐标
  5. 绘制凸包点
  • convexHull 获得图像的凸包点
    • cv2.convexHull(points, hull=None, clockwise=False, returnPoints=True)
    • points 输入图像的轮廓
  • polylines 绘制图像的凸包点
    • cv2.polylines(image, pts, isClosed, color, thickness=1)
    • pts 二维数组，每个数组是一个多边形的每个坐标点
    • isClosed 是否闭合，True会连接起点和终点
    num = cv2.imread('./media/num310.png')
    num_gray = cv2.imread('./media/num310.png',cv2.IMREAD_GRAYSCALE) # 灰度
    _,num_erzhi = cv2.threshold(num_gray,127,255,cv2.THRESH_BINARY) # 二值化
    contours,h = cv2.findContours(num_erzhi,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)  # 这里的轮廓有三套
    
    # cv2.drawContours(num,contours,-1,(0,255,0),2) # 绿色的轮廓
    hull = [cv2.convexHull(contours[i]) for i in range(3)]  # 每一套轮廓一个一套凸包点  生成凸包点的列表
    cv2.polylines(num,hull,True,(0,0,255),2  # 红色的凸包

在这里插入图片描述

在这里插入图片描述

轮廓特征查找

轮廓特征查找，就是绘制图像的外接矩形，最小外接矩形，最小外接圆

  1. 外接矩形
    通过遍历边缘点，所有边缘点的坐标最大值和最小值
    cv2.boundingRect() 返回左上角的坐标x,y和矩形的宽高w,h

    num = cv2.imread('./media/num310.png')
    num_gray = cv2.imread('./media/num310.png',cv2.IMREAD_GRAYSCALE)
    _,num_erzhi = cv2.threshold(num_gray,127,255,cv2.THRESH_BINARY)
    
    
    contours,h = cv2.findContours(num_erzhi,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    
    # cv2.drawContours(num,contours,-1,(0,255,0),2)

    # 外接矩形
    for cont in contours:
        x, y, w, h = cv2.boundingRect(cont) # 获得左上角的点和 矩形的宽和高
        cv2.rectangle(num,(x,y),(x+w,y+h),(127,127,0),2)
    
    cv2.imshow('num',num)

在这里插入图片描述

  1. 最小外接矩形
    使用旋转卡壳法
    以凸包的一条边为起始边，遍历凸包点，找到距离最远的凸包点，做起始边的平行线，找凸包点投影距离最远的点，作矩形剩下的两边，就得到了最小外接矩形
    minAreaRect 传入轮廓，计算出最小外接矩形，返回 坐标，宽度，高度，旋转角度
    boxPoints 把最小外接矩形得到的数组，转化为四个顶点坐标 4行二列 四个点

    num = cv2.imread('./media/num310.png')
    num_gray = cv2.imread('./media/num310.png',cv2.IMREAD_GRAYSCALE)
    _,num_erzhi = cv2.threshold(num_gray,127,255,cv2.THRESH_BINARY)
    
    contours,h = cv2.findContours(num_erzhi,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    
    # cv2.drawContours(num,contours,-1,(0,255,0),2)
    # 最小外接矩形 
    for cont in contours:
        rect = cv2.minAreaRect(cont)
         # 计算最小外接矩形 ((109.34503936767578, 167.05064392089844), (147.49758911132812, 67.03535461425781), 74.38900756835938)
        rect = cv2.boxPoints(rect).astype(np.int32) # 返回坐标，转化为整数
        cv2.drawContours(num,[rect],-1,(127,0,127),2)  # 连接点 也可以使用绘制先线遍历绘制
    
    cv2.imshow('num',num)

在这里插入图片描述

  1. 最小外接圆
    cv2.minEnclosingCircle 计算最小外接圆，返回圆心（x，y）和半径
    num = cv2.imread('./media/num310.png')
    num_gray = cv2.imread('./media/num310.png',cv2.IMREAD_GRAYSCALE)
    _,num_erzhi = cv2.threshold(num_gray,127,255,cv2.THRESH_BINARY)
    
    contours,h = cv2.findContours(num_erzhi,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    
    # cv2.drawContours(num,contours,-1,(0,255,0),2)
    for cont in contours:
        (x,y),r = cv2.minEnclosingCircle(cont)
        cv2.circle(num,(int(x),int(y)),int(r),(200,200,0),2)  # 需要转化为整数

在这里插入图片描述

直方图均衡化

直方图，不同像素值的数量统计

  1. 绘制直方图
    nut = cv2.imread('./media/nut.png')
    
    hist = cv2.calcHist([nut],[0],mask=None,histSize=[256],ranges=[0,256])
    # 	每种像素值统计数量
    min_v,max_v,minloc,maxloc = cv2.minMaxLoc(hist)
    # 获得最大值  最小值  最小值的坐标   最大值的坐标
    bar = np.zeros((256,256,3),dtype=np.uint8)
    # 初始化图像  得到全黑的图像
    h = (max_v-min_v)*1.2 
    for i,value in enumerate(hist):
        higit = int((value/h)*256)  # 归一化 
        cv2.line(bar,(i,256),(i,256-higit),(127,0,127))  # 绘制直线
        
    cv2.imshow('bar',bar)

在这里插入图片描述

  1. 直方图均衡化
    通过把直方图拉平，让像素值分布个均匀，可以让提高图像的对比度。凸显图像的更多细节，较暗的区域更清晰，但是较亮的区域会更亮

通过统计每个像素点的比例，重新映射到0-255的范围

    nut = cv2.imread('./media/nut.png',cv2.IMREAD_GRAYSCALE)
    cv2.imshow('nut',nut)
    cv2.imshow('nut2',cv2.equalizeHist(nut))

在这里插入图片描述
在这里插入图片描述

  1. 对比度受限的直方图均衡化
    对小范围进行均衡化，然后合并图像，但是如果有斑点噪声点，会放大噪声点。
    直方图均衡化过程中引入一个对比度限制参数。如果有过大的极端值，会进行平滑处理
    通过对图像进行重采样，对小区域的图像分别进行直方图均衡化，进行插值，让小区域的图像合并更平滑
    clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)
    clipLimit 对比度限制参数，设置一个大于1的值，会限制对比度增强的最大程度，避免过度放大噪声。
    tileGridSize 图像的分块大小

创建这个类之后使用apply处理图像

    clta = cv2.createCLAHE()
    nut3 = clta.apply(nut)
    cv2.imshow('nut3',nut3)

在这里插入图片描述

在这里插入图片描述

模板匹配

模板（小图）在一个较大的图中滑动比较，通过不同的比较方法判断是否匹配成功

res=cv2.matchTemplate(image, templ, method)
image 图像
templ模板
method 方法
返回匹配计算的结果，结果矩阵和原图相同，值的大小代表匹配的相似度

method：

  • cv2.TM_CCOEFF 相关系数匹配 计算模板和目标区域的两个均值，模板和目标的像素分别和其均值的差在相乘，再求和
  • cv2.TM_CCOEFF_NORMED 对相关系数匹配归一化 越接近1 匹配度越高
  • cv2.TM_CCORR 相关匹配 对应像素的乘积 越大匹配度越高
  • cv2.TM_CCORR_NORMED 相关匹配归一化 越大匹配度越高
  • cv2.TM_SQDIFF 平方差匹配 平方差公式 计算 对应像素的差的平方和
  • cv2.TM_SQDIFF_NORMED 归一化平方差 越小匹配度越高
    bg = cv2.imread('./media/game.png')
    templ = cv2.imread('./media/temp.png')
    bg_gray = cv2.cvtColor(bg,cv2.COLOR_RGB2GRAY)
    templ_gray = cv2.cvtColor(templ,cv2.COLOR_RGB2GRAY)
    
    result = cv2.matchTemplate(bg_gray,templ_gray,cv2.TM_SQDIFF_NORMED)
    h,w = templ_gray.shape
    y,x = np.where(result<0.2)  # 返回索引  
    for x,y in zip(x,y):
        cv2.rectangle(bg,(x,y),(x+w,y+h),(0,0,255),2)
        
    cv2.imshow('bg',bg)   
    cv2.imshow('templ',templ)

在这里插入图片描述

霍夫变换

把图像中的像素点映射到霍夫空间，转换坐标系的表示。
每个像素点坐标，在霍夫空间中是一条直线，霍夫空间中的点在原图像的坐标空间是一条线。
在霍夫空间中，多条线交与一个点，在原图中就是多个点共线。
这里使用极坐标系进行表示

lines=cv2.HoughLines(image, rho, theta, threshold)

  • rho：r的精度，以像素为单位，表示霍夫空间中每一步的距离增量, 值越大，考虑越多的线。
  • theta：角度θ的精度，通常以弧度为单位，表示霍夫空间中每一步的角度增量。值越小，考虑越多的线。
  • threshold 阈值，直线上点的数量超过阈值才认为是一条直线
  • 返回二维数组，在霍夫空间的rho和theta
  1. 霍夫直线变换
    num = cv2.imread('./media/num310.png')
    num_gray = cv2.cvtColor(num,cv2.COLOR_BGR2GRAY)
    _,erzhi = cv2.threshold(num_gray,127,255,cv2.THRESH_BINARY)
    
    boder = cv2.Canny(erzhi,20,70)
    
    lines = cv2.HoughLines(boder,0.8,0.01,50)  # 边缘检测
    
    for line in lines:

        ro,theta = line[0] # 得到极坐标的两个值
        a = np.cos(theta)
        b = np.sin(theta)
        x1 = 0
        x2 = 1000 #设置得足够大 让直线得以显示
        y1 = (ro-a*x1)/b  # 计算两个点
        y2 = (ro-a*x2)/b
        
        cv2.line(num,(int(x1),int(y1)),(int(x2),int(y2)),(0,0,255),1) # 绘制直线

    cv2.imshow('num_gray',boder)
    cv2.imshow('num',num)

在这里插入图片描述

  1. 统计概率霍夫直线变换
    通过得到的直线的两个端点，统计连线上像素点的数量，通过设定的阈值筛选不符合条件的点
  • image：输入图像，白点表示边缘点=
  • rho：极径分辨率，表示极坐标系中的距离
  • theta：极角分辨率，以弧度为单位
  • threshold：阈值，过滤掉弱检测结果
  • lines（可选）：一个可初始化的输出数组，用于存储检测到的直线参数。
  • minLineLength（可选）：最短长度阈值
  • maxLineGap（可选）：同一直线两点之间的最大距离
    • 如果maxLineGap设置得较小，那么只有相邻且间距很小的线段才会被连接起来，这可能导致检测到的直线数量较多，但更准确地反映了图像中的局部直线结构。
    • 如果maxLineGap设置得较大，则线段间的间距可以更大，这样可能会合并更多的局部线段成为更长的直线，但有可能会将原本不属于同一直线的线段误连接起来。
    lines = cv2.HoughLinesP(boder,0.8,0.01,50,minLineLength=60,maxLineGap=400)
    # print(lines.shape) # (2, 1, 4)
    for line in lines:
        x1,y1,x2,y2 = line[0]
        
        cv2.line(num,(x1,y1),(x2,y2),(0,0,255),1)
    

    cv2.imshow('num_gray',boder)
    cv2.imshow('num',num)

在这里插入图片描述

  1. 霍夫圆变换
    circles=cv2.HoughCircles(image, method, dp, minDist, param1, param2)

  • image：输入图像，灰度图像

  • method：使用的霍夫变换方法 cv2.HOUGH_GRADIENT

  • dp：设置为1表示霍夫梯度法中累加器图像的分辨率与原图一致

  • minDist：检测到的圆心之间的最小允许距离，以像素为单位。

  • param1 和 param2：这两个参数是在使用 cv2.HOUGH_GRADIENT 方法时的特定参数

    • param1(可选)：阈值1，决定边缘强度的阈值。

    • param2：阈值2，控制圆心识别的精确度。

    cirs = cv2.HoughCircles(num_gray,cv2.HOUGH_GRADIENT,1,400,param2=50)
    
    for c in cirs[0,:]:
        # print(c)
        cv2.circle(num,(int(c[0]),int(c[1])),int(c[2]),(0,255,0))
    

    cv2.imshow('num_gray',num_gray)
    cv2.imshow('num',num)

亮度变换 窗口管理 滑动条

通过对图像中的数据进行操作达到亮度透明度的变换
所有像素加一个值，亮度增大，减一个值，亮度减小

线性变换
cv2.addWeighted(src1, alpha, src2, beta, gamma)
alpha 第一个图的权重
beta 第二个图的权重
gamma 偏置，亮度补偿 整体加上这个值

直接像素值修改
numpy.clip(a, a_min, a_max)
小于a_min 修改为a_min
大于a_max修改为a_max

    nut = cv2.imread('./media/nut.png')
    h,w,_ = nut.shape
    fir1 = cv2.imread('./media/1.jpg')
    fir2 = fir1[100:h+100,100:w+100]
    
    img = cv2.addWeighted(fir2,1,nut,0.5,10)
    
    cv2.imshow('nut',nut)
    cv2.imshow('fir1',fir1)
    cv2.imshow('img',img)

在这里插入图片描述

窗口管理 滑动条
创建窗口cv2.namedWindow(str)
创建滑块
bar = cv2.createTrackbar(trackbar_name,‘img_bar’,init_v,max_v,thres)
trackbar_name 滑块名称
要显示的窗口名
初始值
最大值，最小值是0
函数 拖动滑块，把滑块的值传入这个函数，并调用这个函数


cv2.namedWindow('img_bar')
    def thres(x):
        fir1 = cv2.imread('./media/1.jpg')
        fir1 = cv2.cvtColor(fir1,cv2.COLOR_BGR2GRAY)
        _,erzhi = cv2.threshold(fir1,x,255,cv2.THRESH_BINARY)
        cv2.imshow('img_bar',erzhi)
        
    trackbar_name = 'threshold'
    max_v = 255
    init_v = 127
    bar = cv2.createTrackbar(trackbar_name,'img_bar',init_v,max_v,thres)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

de-feedback
关注
  • 16
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【OpenCV-Python】——边缘和轮廓&Laplacian/Sobel/Canny边缘检测&查找/绘制轮廓及轮廓特征&霍夫直线/圆变换
weixin_51658186的博客
04-30 5633
由于是初学者可能很多地方没有总结完全或者有误，后续深入学习后会不断回来该删，也欢迎各位朋友指正！下次学习直方图！
opencv_python
liguandong
04-10 3654
第一章：走进opencv 第二章：opencv中的gui特性 2.1 图片 2.1.1 使用opencv 读入图片；显示图片；保存图片 2.1.2 使用matplotlib 2.2 视频 2.2.1 用摄像头捕获视频 2.2.2 从文件中播放视频 2.2.3 保存视频 2.3 opencv中的绘图函数 2.3.1 画线 2.3.2 画矩形 ...
OpenCV —— 几何形状的检测和拟合（凸包、霍夫直线检测、霍夫圆检测、轮廓）
学无止境
02-25 1万+
几何形状的检测和拟合点集的最小外包最小外包矩形最小外包圆最小外包三角形最小凸包霍夫直线检测霍夫圆检测标准霍夫圆检测基于梯度的霍夫圆检测轮廓查找、绘制轮廓外包、拟合轮廓轮廓的周长和面积点和轮廓的关系轮廓的凸包缺陷 根据阈值分割和边缘检测可以基本确定物体的边缘或者前景，接下来需要拟合这些边缘和前景，如确定物体边缘是否满足某种几何形状，如直线、圆、椭圆等，或者拟合出包含前景或者边缘像素点的最小外包矩形、圆、凸包等几何形状，为计算它们的面积或者为模板匹配等操作打下坚实的基础。 点集的最小外包 点集是指坐标点的集。已
opencv_python复习笔记_10-17
王泽邦（bill）の博客
10-12 302
img = cv2.imread('handwriting.jpg', 0) edges = cv2.Canny(img, 30, 70) #参数 2、3 表示最低、高阈值， '''如果你还记得高数中用一阶导数来求极值的话，就很容易理解了：把图片想象成连续函 数，因为边缘部分的像素值是与旁边像素明显有区别的，所以对图片局部求极值，就可以得 到整幅图片的边缘信息了。不过图片是二维的离散函数，导数就变成了差分，这个差分 就称为图像的梯度。''' img = cv2.imread('s...
OpenCV-Python (官方)中文教程(部分一)
Thomson617的博客
02-28 3万+
官网链接(英文版):https://docs.opencv.org/4.1.1/d6/d00/tutorial_py_root.html 第一章.OpenCV简介 了解如何在计算机上设置OpenCV-Python！ 1.OpenCV-Python教程简介 1.1 OpenCV OpenCV是由Gary Bradsky于1999年在Intel公司创建的，第一次发布是在2000年。瓦...
python图像处理opencv_OpenCV-Python图像处理教程（源码及素材）
weixin_39692847的博客
11-21 281
原标题：OpenCV-Python图像处理教程（源码及素材）cv即可获取。入门篇简介与安装（了解安装OpenCV-Python） | 番外篇1：代码性能优化基本元素-图片（图片载入/显示/保存） | 番外篇2：无损保存和Matplotlib使用打开摄像头（打开摄像头捕获图片/播放保存视频） | 番外篇3：滑动条图像基本操作（访问像素点/ROI/通道分离合并/图片属性）颜色空间转换（颜色空间转换/追...
opencv python 常用方法
鲨鱼儿的博客
09-11 8317
一、基本方法 1、cv2.imread() 读入图像；第一个参数为图像路径；第二个为cv2.IMREAD_COLOR：读入彩色图像；cv2.IMREAD_GRAYSCALE:读入灰度图像。 2、显示图像cv2.imshow() 3、保存图像cv2.imwrite() 4、获取视频先创建一个videocapture对象。参数可以是设备索引号或视频文件。 二、绘图函数: 需要设置一些参数：img:绘制图形的图像；color：颜色，元组（255,0,0）；thickness：线条粗细...
难以置信！一篇文章就梳理清楚了 Python OpenCV 的知识体系
热门推荐
梦想橡皮擦，专栏100例写作模式先行者，现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者
04-03 5万+
1. OpenCV 初识与安装 2. OpenCV 模块简介 3. OpenCV 图像读取，显示，保存 4. 摄像头和视频读取，保存 5. OpenCV 常用数据结构和颜色空间 6. OpenCV 常用绘图函数 7. OpenCV 界面事件操作之鼠标与滑动条 8. 图像像素、通道分离与合并 9. 图像逻辑运算 10. 图像 ROI 与 mask 掩膜 11. 图像几何变换 12. 图像滤波 13. 图像固定阈值与自适应阈值 14. 图像膨胀腐蚀 15. 边缘检测 16. 霍夫变换 17. 图像直方图计算及绘
opencv 轻松入门 面向python pdf_OpenCV轻松入门：面向Python
weixin_39603995的博客
12-20 1938
OpenCV轻松入门：面向Python，由电子工业出版社在2019-05-01月出版发行，本书编译以及作者信息为： 李立宗 著，这是第1次发行， 国际标准书号为：9787121362903，品牌为电子工业出版社, 这本书采用平装开本为16开，纸张采为胶版纸，全书共有480页，字数78万7200字，值得推荐。此书内容摘要本书基于面向 Python 的 OpenCV(OpenCV f...
直方图均衡化_python_直方图均衡化_
10-02
总的来说，直方图均衡化是通过Python和OpenCV实现的一种增强图像对比度的技术，主要应用于灰度图像。`exposure.equalize_hist()`函数是这个过程的关键，它能够优化图像的灰度分布，使图像看起来更加鲜明。在编写代码...
详解python OpenCV学习笔记之直方图均衡化
12-23
本文介绍了python OpenCV学习笔记之直方图均衡化，分享给大家，具体如下： 官方文档 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_histogram_equalization.html 考虑一个图像，其像素值仅限制在特定的值...
OpenCV利用python来实现图像的直方图均衡化
12-16
在图像处理领域，直方图均衡化是一种增强图像对比度的技术，尤其对于低对比度的图像效果显著。直方图可以直观地反映出图像中不同灰度级别的像素出现的频率，也就是像素等级出现的次数和其在整个图像像素总数中的比例...
zhifangtujunhenghua.zip_opencv vs2015配置_opencv 图像处理_直方图均衡化
07-15
直方图均衡化的原理是通过对图像的灰度级分布进行变换，使得新的分布更接近均匀分布。这样可以提升图像的整体对比度，尤其在图像的灰度级集中在少数几个值时效果显著。 在实际应用中，直方图均衡化常用于医学影像...
python实现直方图均衡化（用opencv实现）
01-20
python实现直方图均衡化 图像灰度变换中一个非常有用的例子就是直方图均衡化。直方图均衡化是指将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。在对图像做进一步处理之前，直方图均衡化...
医学超声图像后处理功能
LiRongLu_的博客
08-15 114
详细介绍了如何使用Python进行医学超声图像的后处理，重点涵盖了去噪声、图像增强、边缘检测、图像分割与轮廓提取、纹理分析以及三维重建等多个方面。去噪声方法包括高斯滤波、中值滤波和自适应滤波，分别适用于不同类型的噪声处理；图像增强技术如对比度增强、直方图均衡和伽马校正可以提高图像的可视性；边缘检测通过Sobel算子和Canny边缘检测实现，能够提取清晰的边缘信息；图像分割采用区域生长和活动轮廓模型来识别目标区域；纹理分析利用灰度共生矩阵和小波变换来提取多尺度纹理特征。最后，通过多平面重建和体绘制技术展示了超
【OpenCV报错已解决】`[ WARN:0@0.014] global loadsave.cpp:248 cv::findDecoder imread_
鸽芷咕的博客
08-16 669
你是否在尝试使用OpenCV读取图像时遇到了`[ WARN:0@0.014] global loadsave.cpp:248 cv::findDecoder imread_报错已解决`这样的警告？这通常是由于OpenCV无法找到正确的图像解码器导致的。在本文中，我们将详细解析这一问题，并提供解决方案。
OpenCV带α通道图像读取
Humbunklung的专栏
08-15 198
要处理或显示 Alpha 通道的话，我们需要确保图像处理函数能够处理四通道的图像，或者在必要时分离 Alpha 通道进行独立处理。例如，使用 cv2.split() 函数来分离 Alpha 通道，或者使用 cv2.merge() 函数将 Alpha 通道合并回 RGB 图像中。这个标志的数值是 -1。注意，OpenCV 的窗口默认并不支持透明度，所以在显示图像时，Alpha 通道可能不会产生视觉上的透明效果。读取后的图像 img 将是一个四通道数组，其中第四个通道是 Alpha 通道。
Python|OpenCV-基于OpenCV进行图像的复制与克隆(19)
最新发布
Python进阶专栏《爬虫实战进阶》，《数据分析入门与实战》原创作者
08-18 97
本文是该专栏的第21篇，后面将持续分享OpenCV计算机视觉的干货知识。提到的OpenCV对图像的复制与克隆，就不得不说在图像处理过程中，很多操作会直接修改原始目标图像的数据。而为了避免这种修改对原始图像造成不可逆转的影响，通常情况下，会在处理前复制一份图像数据，然后在复制的图像上进行一系列的后续操作。此外，在某些特殊情况下，原始图像数据可能会非常珍贵或者难以再次获取的情况下，选择复制一份图像数据，可以说是非常明智的选择。而本文，笔者将针对opencv对图像进行复制与克隆，结合完整代码示例进行详细说明...
opencv-python 图像直方图和直方图均衡化
04-12
OpenCV-Python是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。其中，图像直方图和直方图均衡化是图像处理中常用的技术。 1. 图像直方图： 图像直方图是一种统计图，用于表示图像中各个灰度级别的像素数量。它可以帮助我们了解图像的亮度分布情况。直方图通常以灰度级别为横坐标，像素数量为纵坐标进行绘制。通过分析直方图，我们可以得到图像的亮度信息，进而进行后续的图像处理操作。 2. 直方图均衡化： 直方图均衡化是一种用于增强图像对比度的方法。它通过重新分布图像的灰度级别，使得图像中各个灰度级别的像素数量尽可能均匀分布。这样可以使得图像的亮度范围更广，细节更加清晰。直方图均衡化的过程包括以下几个步骤： - 计算原始图像的灰度直方图； - 计算累积分布函数（CDF）； - 根据CDF对原始图像进行灰度级别映射，得到均衡化后的图像。 通过直方图均衡化，我们可以改善图像的视觉效果，使得图像更加清晰、对比度更强。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值