1、图像分块后对每一个分块进行直方图均衡化，获取增强结果
2、对局部增强前后图像利用prewitt算子计算边缘
3、对边缘图像按照图像均值进行二值化
4、对二值化以后的图像提取轮廓
图像的分块
m, n = img.shape
img1 = img[:int(m / 2), :int(n / 2)]
img2 = img[:int(m / 2), int(n / 2):]
img3 = img[int(m / 2):, :int(n / 2)]
img4 = img[int(m / 2):, int(n / 2):]
均衡化
# 绘制直方图
def histogram(img):
# 判断数据类型
if img.dtype == 'uint8':
hist = np.zeros(256)
l = 256
elif img.dtype == 'uint16':
hist = np.zeros(65536)
l = 65536
else:
return 0
for i in range(img.shape[0]):
for j in range(img.shape[1]):
hist[img[i][j]] += 1
return l, hist
# 直方图均衡化
def level(img):
# 绘制直方图
L, hist = histogram(img)
# 建一个空数组
Cumulative_histogram = {}
tmp = 0
for i in range(hist.size):
if hist[i] != 0:
Cumulative_histogram[i] = hist[i] / img.size + tmp
tmp = Cumulative_histogram[i]
for i in Cumulative_histogram.keys():
tmp = math.floor((L - 1) * Cumulative_histogram[i] + 0.5)
Cumulative_histogram[i] = tmp
new_img = np.array(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
if img[i][j] in Cumulative_histogram.keys():
new_img[i][j] = Cumulative_histogram[img[i][j]]
return new_img
获取局部增强结果
# 分块直方图均衡化，获取局部增强结果
def devide(img):
# 图像分块
m, n = img.shape
img1 = img[:int(m / 2), :int(n / 2)]
img2 = img[:int(m / 2), int(n / 2):]
img3 = img[int(m / 2):, :int(n / 2)]
img4 = img[int(m / 2):, int(n / 2):]
# 对分块后的直方图均衡化
'''
方法一
ret1 = cv2.equalizeHist(img1)
ret2 = cv2.equalizeHist(img2)
ret3 = cv2.equalizeHist(img3)
ret4 = cv2.equalizeHist(img4)
'''
# 方法二
ret1 = level(img1)
ret2 = level(img2)
ret3 = level(img3)
ret4 = level(img4)
# 合并图像
level1_img = np.zeros(img.shape)
level1_img[:math.ceil(m / 2), :math.ceil(n / 2)] = ret1
level1_img[:math.ceil(m / 2), math.ceil(n / 2):] = ret2
level1_img[math.ceil(m / 2):, :math.ceil(n / 2)] = ret3
level1_img[math.ceil(m / 2):, math.ceil(n / 2):] = ret4
return level1_img
利用prewitt进行边缘锐化
# 卷积
def imgConvolve(image, kernel):
'''
:param image: 图片矩阵
:param kernel: 滤波窗口
:return:卷积后的矩阵
'''
img_h, img_w = image.shape
kernel_h, kernel_w = kernel.shape
# padding
padding_h = int((kernel_h - 1) / 2)
padding_w = int((kernel_w - 1) / 2)
convolve_h = int(img_h + 2 * padding_h)
convolve_W = int(img_w + 2 * padding_w)
# 分配空间
img_padding = np.zeros((convolve_h, convolve_W))
# 中心填充图片
img_padding[padding_h:padding_h + img_h, padding_w:padding_w + img_w] = image[:, :]
# 卷积结果
image_convolve = np.zeros(image.shape)
# 卷积
for i in range(padding_h, padding_h + img_h):
for j in range(padding_w, padding_w + img_w):
image_convolve[i - padding_h][j - padding_w] = int(
np.sum(img_padding[i - padding_h:i + padding_h + 1, j - padding_w:j + padding_w + 1] * kernel))
return image_convolve
# Prewitt算子边缘锐化
def prewittEdge(image, prewitt_x, prewitt_y):
'''
:param image: 图片矩阵
:param prewitt_x: 竖直方向
:param prewitt_y: 水平方向
:return:处理后的矩阵
'''
img_X = imgConvolve(image, prewitt_x)
img_Y = imgConvolve(image, prewitt_y)
img_prediction = np.zeros(img_X.shape)
for i in range(img_prediction.shape[0]):
for j in range(img_prediction.shape[1]):
img_prediction[i][j] = max(img_X[i][j], img_Y[i][j])
return img_prediction
对边缘图像均匀二值化
# 图像二值化
def custom_threshold(image):
# 计算图像均值
h, w = image.shape[:2]
m = np.reshape(image, [1, w * h])
mean = m.sum() / (w * h)
# 给定参数二值化
ret, binary = cv2.threshold(image, mean, 255, cv2.THRESH_BINARY)
return binary
对二值化以后图像提取轮廓
# 轮廓拟合
def contours_demo(image):
# 原始二值化得到的图像是float类型，进行类型转换
image = np.array(image, dtype='uint8')
"""
cloneimage 显示图像，查找轮廓
需要注意的是此处是cv2版本
cv在2和4版本里面cv2.findContours需要的是两个参数
在3版本里面只需要两个参数改成
contours, heriachy = cv2.findContours(image, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
即可
"""
cloneimage, contours, heriachy = cv2.findContours(image, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# 绘制图像
for i, contour in enumerate(contours):
"""
函数cv2.drawContours()被用来绘制轮廓。
第一个参数是一张图片，可以是原图或者其他。
第二个参数是轮廓，也可以说是cv2.findContours()找出来的点集，一个列表。
第三个参数是对轮廓（第二个参数）的索引，当需要绘制独立轮廓时很有用，若要全部绘制可设为-1。
接下来的参数是轮廓的颜色和厚度。
"""
cv2.drawContours(image, contours, i, (0, 0, 255), 0)
return image
全部代码
import numpy as np
import cv2
import math
from matplotlib import pyplot as plt
# 绘制直方图
def histogram(img):
# 判断数据类型
if img.dtype == 'uint8':
hist = np.zeros(256)
l = 256
elif img.dtype == 'uint16':
hist = np.zeros(65536)
l = 65536
else:
return 0
for i in range(img.shape[0]):
for j in range(img.shape[1]):
hist[img[i][j]] += 1
return l, hist
# 直方图均衡化
def level(img):
# 绘制直方图
L, hist = histogram(img)
# 建一个空数组
Cumulative_histogram = {}
tmp = 0
for i in range(hist.size):
if hist[i] != 0:
Cumulative_histogram[i] = hist[i] / img.size + tmp
tmp = Cumulative_histogram[i]
for i in Cumulative_histogram.keys():
tmp = math.floor((L - 1) * Cumulative_histogram[i] + 0.5)
Cumulative_histogram[i] = tmp
new_img = np.array(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
if img[i][j] in Cumulative_histogram.keys():
new_img[i][j] = Cumulative_histogram[img[i][j]]
return new_img
# 分块直方图均衡化，获取局部增强结果
def devide(img):
# 图像分块
m, n = img.shape
img1 = img[:int(m / 2), :int(n / 2)]
img2 = img[:int(m / 2), int(n / 2):]
img3 = img[int(m / 2):, :int(n / 2)]
img4 = img[int(m / 2):, int(n / 2):]
# 对分块后的直方图均衡化
'''
方法一
ret1 = cv2.equalizeHist(img1)
ret2 = cv2.equalizeHist(img2)
ret3 = cv2.equalizeHist(img3)
ret4 = cv2.equalizeHist(img4)
'''
# 方法二
ret1 = level(img1)
ret2 = level(img2)
ret3 = level(img3)
ret4 = level(img4)
# 合并图像
level1_img = np.zeros(img.shape)
level1_img[:math.ceil(m / 2), :math.ceil(n / 2)] = ret1
level1_img[:math.ceil(m / 2), math.ceil(n / 2):] = ret2
level1_img[math.ceil(m / 2):, :math.ceil(n / 2)] = ret3
level1_img[math.ceil(m / 2):, math.ceil(n / 2):] = ret4
return level1_img
# 卷积
def imgConvolve(image, kernel):
'''
:param image: 图片矩阵
:param kernel: 滤波窗口
:return:卷积后的矩阵
'''
img_h, img_w = image.shape
kernel_h, kernel_w = kernel.shape
# padding
padding_h = int((kernel_h - 1) / 2)
padding_w = int((kernel_w - 1) / 2)
convolve_h = int(img_h + 2 * padding_h)
convolve_W = int(img_w + 2 * padding_w)
# 分配空间
img_padding = np.zeros((convolve_h, convolve_W))
# 中心填充图片
img_padding[padding_h:padding_h + img_h, padding_w:padding_w + img_w] = image[:, :]
# 卷积结果
image_convolve = np.zeros(image.shape)
# 卷积
for i in range(padding_h, padding_h + img_h):
for j in range(padding_w, padding_w + img_w):
image_convolve[i - padding_h][j - padding_w] = int(
np.sum(img_padding[i - padding_h:i + padding_h + 1, j - padding_w:j + padding_w + 1] * kernel))
return image_convolve
# Prewitt算子边缘锐化
def prewittEdge(image, prewitt_x, prewitt_y):
'''
:param image: 图片矩阵
:param prewitt_x: 竖直方向
:param prewitt_y: 水平方向
:return:处理后的矩阵
'''
img_X = imgConvolve(image, prewitt_x)
img_Y = imgConvolve(image, prewitt_y)
img_prediction = np.zeros(img_X.shape)
for i in range(img_prediction.shape[0]):
for j in range(img_prediction.shape[1]):
img_prediction[i][j] = max(img_X[i][j], img_Y[i][j])
return img_prediction
# 图像二值化
def custom_threshold(image):
# 计算图像均值
h, w = image.shape[:2]
m = np.reshape(image, [1, w * h])
mean = m.sum() / (w * h)
# 给定参数二值化
ret, binary = cv2.threshold(image, mean, 255, cv2.THRESH_BINARY)
return binary
# 轮廓拟合
def contours_demo(image):
# 原始二值化得到的图像是float类型，进行类型转换
image = np.array(image, dtype='uint8')
"""
cloneimage 显示图像，查找轮廓
需要注意的是此处是cv2版本
cv在2和4版本里面cv2.findContours需要的是两个参数
在3版本里面只需要两个参数改成
contours, heriachy = cv2.findContours(image, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
即可
"""
cloneimage, contours, heriachy = cv2.findContours(image, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# 绘制图像
for i, contour in enumerate(contours):
"""
函数cv2.drawContours()被用来绘制轮廓。
第一个参数是一张图片，可以是原图或者其他。
第二个参数是轮廓，也可以说是cv2.findContours()找出来的点集，一个列表。
第三个参数是对轮廓（第二个参数）的索引，当需要绘制独立轮廓时很有用，若要全部绘制可设为-1。
接下来的参数是轮廓的颜色和厚度。
"""
cv2.drawContours(image, contours, i, (0, 0, 255), 0)
return image
# 展示
def show(img, img1, img2, img3, img4, img5, img6, img7):
'''
:param img: 原图
:param img1: 局部增强
:param img2: 边缘锐化
:param img3: 边缘锐化
:param img4: 二值化
:param img5: 二值化
:param img6: 提取边缘轮廓
:param img7: 提取边缘轮廓
:return: 结果显示
'''
plt.subplot(241), plt.imshow(img, cmap='gray')
plt.title('primary'), plt.xticks([]), plt.yticks([])
plt.subplot(242), plt.imshow(img1, cmap='gray')
plt.title('level_img'), plt.xticks([]), plt.yticks([])
plt.subplot(243), plt.imshow(img2, cmap='gray')
plt.title('prewitt_1'), plt.xticks([]), plt.yticks([])
plt.subplot(244), plt.imshow(img3, cmap='gray')
plt.title('prewitt_2'), plt.xticks([]), plt.yticks([])
plt.subplot(245), plt.imshow(img4, cmap='gray')
plt.title('binaryzation_1'), plt.xticks([]), plt.yticks([])
plt.subplot(246), plt.imshow(img5, cmap='gray')
plt.title('binaryzation_2'), plt.xticks([]), plt.yticks([])
plt.subplot(247), plt.imshow(img6, cmap='gray')
plt.title('Image_1'), plt.xticks([]), plt.yticks([])
plt.subplot(248), plt.imshow(img7, cmap='gray')
plt.title('Image_2'), plt.xticks([]), plt.yticks([])
plt.show()
import numpy as np
import function
def run(img):
# 分块均衡化直方图
level_img = function.devide(img)
# prewitt算子
t_prewitt_1 = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]])
t_prewitt_2 = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]])
t_prewitt_3 = np.array([[0, 1, 1], [-1, 0, 1], [-1, -1, 0]])
t_prewitt_4 = np.array([[-1, -1, 0], [-1, 0, 1], [0, 1, 1]])
'''
纵横方向
原始图prewitt算子进行边缘锐化
'''
img_prewitt_1 = function.prewittEdge(img, t_prewitt_1, t_prewitt_2)
'''
对角线方向
直方图均衡化后的prewitt算子进行边缘锐化
'''
img_prewitt_2 = function.prewittEdge(level_img, t_prewitt_3, t_prewitt_4)
# 图像二值化
binaryzation_1 = function.custom_threshold(img_prewitt_1)
binaryzation_2 = function.custom_threshold(img_prewitt_2)
# 轮廓拟合
Image_1 = function.contours_demo(binaryzation_1)
Image_2 = function.contours_demo(binaryzation_2)
# 展示
function.show(img,
level_img,
img_prewitt_1, img_prewitt_2,
binaryzation_1, binaryzation_2,
Image_1, Image_2)
import run
import cv2
'''
┏┓ ┏┓+ +
┏┛┻━━━┛┻┓ + +
┃ ┃
┃ ━ ┃ ++ + + +
████━████ ┃+
┃ ┃ +
┃ ┻ ┃
┃ ┃ + +
┗━┓ ┏━┛
┃ ┃
┃ ┃ + + + +
┃ ┃ Code is far away from bug with the animal protecting
┃ ┃ + 神兽保佑,永无bug
┃ ┃
┃ ┃ +
┃ ┗━━━┓ + +
┃ ┣┓
┃ ┏┛
┗┓┓┏━┳┓┏┛ + + + +
┃┫┫ ┃┫┫
┗┻┛ ┗┻┛+ + + +
'''
if __name__ == '__main__':
# 读入图片
img = cv2.imread('../image/lena-gray.png', -1)
# 显示结果
run.run(img)
成果展示
扫一扫
5691
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
