opencv图像处理⑧

 

目录

直方图

 mask操作

 直方图均衡化

 自适应直方图均衡化

 傅里叶变换

 低通滤波

 高通滤波

---

直方图

 

 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[]括起来如[img]
• channels:同样用中括号括起来他会告函数我们统幅图像的直方图。如果入图像是灰度图他的值就是[0]如果是彩色图像的传入的参数可以使[0][1][2]他们分别对应着BGR
• mask:掩模图像。统整幅图像的直方图就把他为None。但是如果你想统图像某一部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。也应用中括号括起来。
• ranges：像素值范围常为[0,256]

img=cv2.imread('cat.jpg',0) #0表示灰度图
hist=cv2.calaHist([img],[0],None,[256],[0,256])
hist.shape
(256,1)

plt.hist(img.ravel(),256);
plt.show()

 

img=cv2.imread('cat.jpg')
color=('b','g','r')
#遍历每个颜色通道
for i,col in enumerate(color):
    histr=cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color=col)
    plt.xlim([0,256])

 mask操作

 

#创建mask
mask=np.zeros(img.shape[:2],np.uint8)
mask[100:300,100:400]=255#要保存的是白色，所以置为255
cv_show(mask,'mask')

 

 

img=cv2.imread('cat.jpg',0)
cv_show(img,'img')

 

masked_img=cv2.bitwise_and(img,img,mask=mask)#与操作
cv_show(masked_img,'masked_img')

 

 

hist_full=cv2.calcHist([img],[0],None,[256],[0,256])#无掩码时的统计直方图
hist_full=cv2.calcHist([img],[0],mask,[256],[0,256])#有掩码

plt.subplot(221),plt.imshow(img,'gray')
plt.subplot(222),plt.imshow(mask,'gray')
plt.subplot(223),plt.imshow(masked_img'gray')
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()

 

 直方图均衡化

 使用的是累计概率

 

img=cv2.imread('cat.jpg',0)#0表示灰度图
plt.hist(img.ravel(),256);
plt.show()

 

 

equ=cv2.equalizeHist(img)#均衡化函数
plt.hist(equ.ravel(),256)
plt.show()

 

res=np.hstack((img,equ))
cv_show(res,'res')

 使用clahe图像进行均衡化图像如下，均衡化整体平均后会导致部分区域的细节丢失，可以进行分区域均衡化

 自适应直方图均衡化

chahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8)) #自适应均衡化

res_clahe=clahe.apply(img)
res=np.hstack((img,equ,res_clahe))
cv_show(res,'res')

 

 傅里叶变换

 

 

 

import numpy as np
import cv2
from matplotlib impport pyplot as plt

img=cv2.imread('lena.jpg',0)#导入，灰度

img_float32=np.float32(img)

dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)#相当于把低频的值转换到中间的位置
#得到灰度图能表示的形式
magnitude_spectrum=20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))

plt.subplot(121),plt.imshow(img,camp='gray')
plt.title('Input Image'),pltxticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray')
plt.title('Magnitude Spectrum'),pltxticks([]),plt.yticks([])
plt.show()

 低通滤波

import numpy as np
import cv2
from matplotlib impport pyplot as plt

img=cv2.imread('lena.jpg',0)#导入，灰度

img_float32=np.float32(img)

dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)#相当于把低频的值转换到中间的位置

rows,cols=img.shape
crow,ccol=int(rows/2),int(cols/2) #中心位置

#低通滤波(掩码)
mask=np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30]=1

#IDFT
fshift=dft_shift*mask
f_ishift=np.fft.ifftshift(fshift)
img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])


plt.subplot(121),plt.imshow(img,camp='gray')
plt.title('Input Image'),pltxticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray')
plt.title('Result'),pltxticks([]),plt.yticks([])
plt.show()

 高通滤波

import numpy as np
import cv2
from matplotlib impport pyplot as plt

img=cv2.imread('lena.jpg',0)#导入，灰度

img_float32=np.float32(img)

dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)#相当于把低频的值转换到中间的位置

rows,cols=img.shape
crow,ccol=int(rows/2),int(cols/2) #中心位置

#高通滤波(掩码)
mask=np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30]=0

#IDFT
fshift=dft_shift*mask
f_ishift=np.fft.ifftshift(fshift)
img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])


plt.subplot(121),plt.imshow(img,camp='gray')
plt.title('Input Image'),pltxticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray')
plt.title('Result'),pltxticks([]),plt.yticks([])
plt.show()