python计算机视觉学习笔记（一）直方图，灰度化，高斯滤波，直方图均衡化

关于代码中所需的库PIL（pillow），PCV，matplotlib，numpy，scipy安装下载教程，下一节说明

直方图代码：

from PIL import Image
from pylab import *

from matplotlib.font_manager import  FontProperties
font=FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)
figure()

pil_im = Image.open('bb.jpg')
gray()
subplot(121)
title(u'原图',fontproperties=font)
axis('off')
imshow(pil_im)

pil_im = Image.open('bb.jpg').convert('L')
subplot(122)
title(u'灰度图',fontproperties=font)
axis('off')
imshow(pil_im)

show()

运行结果图

 

高斯滤波代码：

//图像读取到数组中

im=array(Image.open('bb.jpg').convert('L'))

figure()
hist(im.flatten(), 128)
title(u'图像直方图', fontproperties=font)
plt.xlim([0,260])
plt.ylim([0,11000])

show()

直方图均衡化：

直方图均衡化是指将一副图像的灰度直方图变平，变换之后的图像中每个灰度值分布的概率相同，进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强对比度

将这个函数添加到imtool.py里：

def histeq(im,nbr_bins=256):
    """对一幅灰度图像进行直方均衡化"""
    #计算图像的直方图
    imhist,bins=historgram(im.flatten(),nbr_bins,normed=True)
    cdf=imhist.cumsum()#累积分布函数
    cdf=255*cdf/cdf[-1]#归一化
    #使用累计函数的线性分布插值，计算新的像素值
    im2 = interp(im.flatten(),bins[:-1],cdf)
    return im2.reshape(im.shape),cdf

两个参数中，一个是灰度图像，一个是直方图中使用的小区间的数目。

from PIL import Image
from numpy import *
from PCV.tools import imtools
im=array(Image.open('bb.jpg').convert('L'))
im2,cdf=imtools.histeq(im)

 

图像模糊：

一个经典的并且十分有用的图像卷积例子是对图像进行高斯模糊。高斯模糊可以用于定义图像尺度、计算兴趣点以及很多其他的应用场合

代码：

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from scipy.ndimage import filters

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

#im = array(Image.open('board.jpeg'))
im = array(Image.open('../data/empire.jpg').convert('L'))

figure()
gray()
axis('off')
subplot(1, 4, 1)
axis('off')
title(u'原图', fontproperties=font)
imshow(im)

for bi, blur in enumerate([2, 5, 10]):
  im2 = zeros(im.shape)
  im2 = filters.gaussian_filter(im, blur)
  im2 = np.uint8(im2)
  imNum=str(blur)
  subplot(1, 4, 2 + bi)
  axis('off')
  title(u'标准差为'+imNum, fontproperties=font)
  imshow(im2)

#如果是彩色图像，则分别对三个通道进行模糊
#for bi, blur in enumerate([2, 5, 10]):
#  im2 = zeros(im.shape)
#  for i in range(3):
#    im2[:, :, i] = filters.gaussian_filter(im[:, :, i], blur)
#  im2 = np.uint8(im2)
#  subplot(1, 4,  2 + bi)
#  axis('off')
#  imshow(im2)

show()