直方图统计
以下是学习过程中用到的材料以及环境版本。
- 网课:bilibili(干杯)
- 编程语言:python3.6
- 编程工具:vs2019(个人爱好,这个随便吧)
- opencv:opencv-python 3.4.1.15
opencv-python中有统计图片像素直接制作直方图的函数:
cv2.calcHist(images,channels,mask,histSize,ranges)
- images:要统计的图像,源图像格式为uint8或者float32,传入函数的时候要加[]
- channels选择图像的颜色通道,灰度图就是[0],彩色图则有[0][1][2],对应三个通道。
- mask:遮掩图像,如果统计原图则置为None,要统计部分图像则要制作遮掩图像。
- histSize:bin数目也要用中括号
- ranges:像素范围经常为[0-256]
实验效果如下:
原图:
直方图:
图片均衡化
def equ(img):
return cv2.equalizeHist(img)
图片均衡化结果:
自适应的均衡化
cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8)).apply(img)
结果如下:
傅里叶变换
是参照频率进行分析,在分析中一切都是“静止的“,不在时域(时间为轴)而是在频域分析问题,知乎传送门
- 高频:变化幅度剧烈,边界部分,细节部分
- 低频:反之变化并不强烈,图像中的粗略部分例如大海,蓝天
滤波
- 低通滤波:保留低频,使图像模糊
- 高通滤波 :保留高频,使细节清晰
傅里叶变换,代码以及效果图如下:
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)#傅里叶变换
dft_shift = np.fft.fftshift(dft)#低频放到中心位置
magnitude = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))#将频率映射到0-255
此时,在图片中心的都是低频的像素点,我们构造滤波器时只需要在中心处取一个方阵,根据低通或者高通选择取中心部分还是边缘部分,然后在反变换回原图像即可。
低通滤波器代码如下:
def lowpass(img):
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)#傅里叶变换
dft_shift = np.fft.fftshift(dft)#低频放到中心位置
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
#构造滤波器,就是个掩码,低通,高通就把0和1反过来
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 1
fshift = dft_shift*mask#抠图
f_ishift = np.fft.ifftshift(fshift)#恢复原位
img_back = cv2.idft(f_ishift)#傅里叶逆变换
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])#实部虚部处理
#显示部分
plt.subplot(121),plt.imshow(img,cmap="gray")
plt.title("input"),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap="gray")
plt.title("res"),plt.xticks([]),plt.yticks([])
plt.show()
效果图如下:
高通滤波器效果: