OpenCV+Python直方图与傅里叶变换

直方图

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

• images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
• channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
• mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
• histSize:BIN 的数目。也应用中括号括来
• ranges: 像素值范围常为 [0256]

img = cv2.imread('D:\\Desktop\\opencv\\girl.jpg',0) #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape
#(256, 1)

plt.hist(img.ravel(),256); 
plt.show()

img = cv2.imread('D:\\Desktop\\opencv\\girl.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]) 

直方图均衡化

equ = cv2.equalizeHist(img) 
plt.hist(equ.ravel(),256)
plt.show()

#均衡化结果
res = np.hstack((img,equ))
cv_show(res,'res')

自适应均衡化

傅里叶变换

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，例如一篇大海

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cv2.dft()和cv2.idft()，输入图像需要先转换成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

• cv2.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格式才能展示（0,255）

傅里叶分析之掐死教程(转自知乎)

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('D:\\Desktop\\opencv\\girl.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 Imagea'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap = 'gray')
plt.title('Magnitude Spectrum'),plt.xticks([]),plt.yticks([])
plt.show()

低通滤波

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('D:\\Desktop\\opencv\\girl.jpg',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
mask = np.zeros((rows, cols, 2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

#IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(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

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('D:\\Desktop\\opencv\\girl.jpg',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

#高通滤波
mask = np.ones((rows, cols, 2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

#IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(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()