（三）OpenCV入门，代码练习，详细注释【直方图】【80行】【原创】

---

代码

# 直方图
import cv2 #opencv读取的格式是BGR
import numpy as np
from matplotlib import pyplot as plt
import matplotlib.pyplot as plt#Matplotlib是RGB
#%matplotlib inline # 这个魔法指令pycharm中用不到/只能noteboook中使用

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
"""
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 [0-256]
"""

img=cv2.imread('E:/jupyter-notebook/notebook1/cat.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 此时灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])# img需要加[]
print(hist.shape)  # (256, 1) 表示256个可能取值 就是0-255 //1代表是二维
print(hist) # hist 是二维数组 打印出来里面全是 1.890e+02 之类的数值
#cv2.namedWindow("input image",cv2.WINDOW_AUTOSIZE)#窗口名称为input image
#cv2.imshow("input image",hist)#窗口输出src图片
cv_show(hist,"hist")# hist是一张纯灰色图像
#cv2.moveWindow("hist",300,100)#第一个参数是距离左边框/第二个右边框
#cv2.waitKey()

# mask 操作 就是 创建掩码
# 创建mask mask就是掩码，就是括出一片内矩形区域白周围黑
mask = np.zeros(img.shape[:2], np.uint8)  #当然mask 也只是能与灰度图进行“与”操作//uint8 无符号整型
print(mask)# mask 也是二维数组，里面全是0     #  之所以是img.shape[:2]，是因为掩码图要保持与img原图相同大小
print (mask.shape) # (414, 500)
mask[100:300, 100:400] = 255 #代表括出横向100：400 纵向100：300 区域为255即白色 （内白外黑）
cv_show(mask,"mask")
masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作 就是与操作 黑色就是0 与之后就是黑色
cv_show(masked_img,'masked_img')

img2 = cv2.imread('E:/jupyter-notebook/notebook1/dog.jpg', 0)# 0代表是直接读取灰度图
cv_show(img2,'dog')

# 直方图均衡化 直方图是统计每种像素点有多少
# 直方图均衡化就是使直方图变 矮胖 为什么要做均衡化？我不清楚再看吧
# 方法就是 像素点个数*像素点概率取整四舍五入之后==平均值==均衡化
equ = cv2.equalizeHist(img)# equ是将img均衡化之后的结果/均衡化之后图像看得颜色更深更重
cv_show(equ,"junhenghua")
res = np.hstack((img,equ))# 这个函数是使img 与equ两个图像显示在一块
cv_show(res,"junhenghua2")

# 自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)# 将img进行自适应直方图均衡化 显示比上面效果好
res = np.hstack((img,equ,res_clahe))
cv_show(res,'res')

# 直方图与傅里叶变换 那篇文章我看过的早看过了
# 高频是变化剧烈的灰度就是边界区域
# 低频就是图像不是边界区域

# 就是低通滤波是使图像模糊
# 高通 使得图像细节增强
"""
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，例如一片大海

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，通过shift变换
"""
img3 = cv2.imread('E:/jupyter-notebook/notebook1/lena.jpg',0)# 灰度图
img_float32 = np.float32(img3) #  转换格式必须这样
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)# 执行傅里叶变换
dft_shift = np.fft.fftshift(dft)# 得到频谱图
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))# 也是转换不懂
# 20*np.log 是映射公式
cv_show(magnitude_spectrum,"fft") # 不知道为啥我这里是白色图