[机器学习——代码python】（带注释）

• clahe自适应均衡化

import cv2#导入opencv库
import matplotlib.pyplot as plt#调用画图的库

img = cv2.imread('timg.jpg',0) #0：读为读为灰度图像，1：读成彩色图像
res = cv2.equalizeHist(img)#直方图均衡化，归一化图像亮度和增强对比度

#createCLAHE:将图片分成很多小块，对每一小块进行直接直方图均衡化。
#clipLmit :  大于该参数的部分将被剪裁掉平均分配给整个图像
#tileGridSize : 表示每次处理块的大小。
#一般的clipLimit设置的值是40，值越大，均化的效果越好，值越接近0，就和原图像没什么区别
clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))
#创建一种clahe的方法
cl1 = clahe.apply(img)
#调用clahe 进行图像处理

#plt.subplot : 类似matlab的subplot（131）创建第一个子图
plt.subplot(131),plt.imshow(img,'gray')#显示原图
plt.subplot(132),plt.imshow(res,'gray')#显示直方图均衡化，使得亮的地方附近也过于亮
plt.subplot(133),plt.imshow(cl1,'gray')
#plt.imshow只表示对图片进行处理，并显示其格式，但不能显示，后面跟着plt.show（）才能显示
plt.show()

• 高斯模糊 中值模糊

import cv2
import numpy as np #使用numpy 中的随机函数
import matplotlib.pyplot as plt

img = cv2.imread('opencv.png',0) #直接读为灰度图像
for i in range(2000): #添加点噪声
    temp_x = np.random.randint(0,img.shape[0])#返回0~img.shape[0]之间的数目
    temp_y = np.random.randint(0,img.shape[1])#img.shape[0]:图像的垂直尺寸（高度），行数，1：宽度，列数
    img[temp_x][temp_y] = 255#把任意点置为255（即最亮）
#cv2.gaussianBlur(img,(ksize,ksize),sigamaX)
#img：处理图像；(ksize,ksize)：卷积核的大小；
# sigmaX:小->高斯曲线越高越尖，模糊程度小
#大—>曲线越矮越平缓，模糊程度大
blur_1 = cv2.GaussianBlur(img,(5,5),0)

#medianBlur(img,5)中值滤波
#将像素点附近的像素进行排序，然后选取中值作为像素—>去除椒盐噪声
#5：核的尺寸
blur_2 = cv2.medianBlur(img,5)

plt.subplot(1,3,1),plt.imshow(img,'gray')#默认彩色，另一种彩色bgr
plt.subplot(1,3,2),plt.imshow(blur_1,'gray')
plt.subplot(1,3,3),plt.imshow(blur_2,'gray')
plt.show()

• 拉普拉斯算子，sobel算子

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.png',0)
#注意路径 如果图片在所处的文件夹中则无需多写上一层路径，若不在相同路径中，则加上上一层路径

#cv.CV_64F: 输出图像的深度，也可以使用-1
#Laplacian(img,ddepth)
#img 处理图像  ddepth 图像的深度（-1：表示与原图像相同的深度
laplacian = cv.Laplacian(img,cv.CV_64F)

#cv.Sobel(img,cv2.CV_64F,1,0,ksize)
#输出图像的深度；CV.64F的作用？，表示64位浮点数即64float
#1->进行x方向的导数
#0->进行y方向的导数
#ksize：内核的大小
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')

#plt.xticks([])；去除坐标轴的刻度
plt.title('Original')，plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

• 傅里叶变换

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('opencv.png',0)
#np.fft.fft2(img)  通过傅里叶变化得到频谱图
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)#平移频谱到图像中央
magnitude_spectrum = 20*np.log(np.abs(fshift))#将频谱转换成db
# 完成频谱图的绘制
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()