计算机视觉 （直方图、高斯滤波、直方图均衡化）
计算机视觉
直方图、高斯滤波、直方图均衡化
一、直方图
1.基本原理
原理：
直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊（Karl Pearson）首先引入。它是一种条形图。
为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。
作用：
1、显示质量波动的状态；
2、较直观地传递有关过程质量状况的信息；
3、当人们研究了质量数据波动状况之后，就能掌握过程的状况，从而确定在什么地方集中力量进行质量改进工作。
2.相关代码
from numpy import array
from PIL import Image
#from matplotlib.pyplot import *
from pylab import *
#import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
im = array(Image.open('E:/Pythonproject/2021.png').convert('L')) # 打开图像，并转成灰度图像
print(im)
figure()
subplot(121)
gray()
contour(im, origin='image') # 画图
axis('equal') # 自动调整比例
axis('on') # 去除x、y轴上的刻度
title(u'原图轮廓')
subplot(122)
hist(im.flatten(), 128)
print(im.flatten())
title(u'直方图')
plt.xlim([0, 300])
plt.ylim([0, 11000])
show()
3.结果展示
二、高斯滤波
1.基本原理
高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声。
高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的，为1。而高斯滤波器的模板系数，随着距离模板中心距离的增大，系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器而言，对图像模糊程度较小，更能保持图像的整体细节。
2.相关代码
import cv2
import matplotlib.pyplot as plt
from matplotlib.pyplot import title
import matplotlib
im = cv2.imread("E:/Pythonproject/2021.png")
# 高斯滤波
img_Guassian = cv2.GaussianBlur(im, (5, 5), 0)
plt.subplot(121)
plt.imshow(im)
# 设置字体为楷体
matplotlib.rcParams['font.sans-serif'] = ["KaiTi"]
title(u'原图')
plt.subplot(122)
plt.imshow(img_Guassian)
title(u'高斯滤波后')
plt.show()
3.结果展示
三、直方图均衡化
1.基本原理
直方图均衡化(Histogram Equalization) 又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。
直方图均衡化是将随机分布的图像直方图修改成均匀分布的直方图。基本思想是对原始图像的像素灰度做某种映射变换, 使变换后图像灰度的概率密度呈均匀分布。这就意味着图像灰度的动态范围得到了增加, 提高了图像的对比度。
2.相关代码
from PIL import Image
from pylab import *
from PCV.tools import imtools
import matplotlib.pyplot as plt
import matplotlib
# 设置字体为楷体
matplotlib.rcParams['font.sans-serif'] = ["KaiTi"]
# 打开图像，并转成灰度图像
im = array(Image.open('E:/Pythonproject/2021.png').convert('L'))
im2, cdf = imtools.histeq(im)
figure()
subplot(2, 2, 1)
axis('off')
gray()
title(u'原始图像')
imshow(im)
subplot(2, 2, 2)
axis('off')
title(u'直方图均衡化')
imshow(im2)
subplot(2, 2, 3)
axis('off')
title(u'直方图')
hist(im.flatten(), 128, density=True)
subplot(2, 2, 4)
axis('off')
title(u'均衡化后的直方图')
hist(im2.flatten(), 128, density=True)
plt.show()
3.结果展示
