opencv学习笔记（六）

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：

源码传送门