#2.一张图片的三个通道直方图统计
img = cv2.imread('cat.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
histr = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256])
plt.show()
#mask掩码图像操作
img = cv2.imread('cat.jpg')
mask = np.zeros(img.shape[:2],np.uint8)
#取中间位置100-300,100-400的方框为白色
mask[100:300,100:400] = 255
#原图和掩码做与操作
mask_img = cv2.bitwise_and(img,img,mask=mask)
hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])
#原图
plt.subplot(221), plt.imshow(img, cmap='gray')
plt.title('img')
#掩码图像
plt.subplot(222), plt.imshow(mask, cmap='gray')
plt.title('mask')
#原图和掩码相与后的结果图
plt.subplot(223), plt.imshow(mask_img, cmap='gray')
plt.title('mask_img')
#统计直方图
#图四为做了掩码操作和没做该操作的对比直方图
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.title('hist')
plt.xlim([0,256])
plt.savefig('01_2.png')
plt.show()
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt
#读取原始图像的灰度图
img = cv2.imread('cat.jpg',0)
#计算直方图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
#传入图像到直方图均衡化函数
equ = cv2.equalizeHist(img)
#第一行为原图直方图和均衡化直方图对比图
#第二行为原图和均衡化处理后对比图
plt.subplot(221),plt.hist(img.ravel(),256)
plt.subplot(222),plt.hist(equ.ravel(),256)
plt.subplot(223),plt.imshow(img, cmap='gray')
plt.subplot(224),plt.imshow(equ, cmap='gray')
plt.xlim([0,450])
plt.savefig('02cat01.png')
plt.show()
换一张内容细节更多的图,直方图均衡化后明显丢掉了一部分图像特征;所以引出自适应直方图均衡化
将图像按照指定的尺寸大小分成多个小图,对多个小图单独进行直方图均衡化,对比原图、直方图均衡化、自适应直方图均衡化三张图,自适应均衡化处理后的效果明显更好;
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt
#读取灰度图
img = cv2.imread('cat.jpg',0)
#计算直方图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
#传入图像到直方图均衡化函数
equ = cv2.equalizeHist(img)
#自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit = 2.0,tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
#原图,直方图均衡化,自适应直方图均衡化对比图
cv_show(res,'res','03clahe1.png')
傅里叶分析高赞博文,满满的干货,看懂就是大佬https://zhuanlan.zhihu.com/p/19763358
高频:变化剧烈地灰度分量,例如边界
低频:变化缓慢的灰度分量,例如一片大海
低通滤波器:只保留低频,图像会变得更模糊
高通滤波器:只保留高频,图像细节增强
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
#得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
#原图
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Tnput Image'),plt.xticks([]),plt.yticks([])
#傅里叶变换后的图像
#中间的白点表示低频部分,
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'),plt.xticks([]),plt.yticks([])
plt.savefig('01fft.png')
plt.show()
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
#将白色拉到中心位置
dft_shift = np.fft.fftshift(dft)
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)#中心位置
#低通滤波
mask = np.zeros((rows,cols,2),np.uint8)
#制作掩码:中心点的上下左右四个方向取30长度的方框,即为60*60的正方形;用白色填充即mask=1
mask[crow-30:crow+30,ccol-30:ccol+30] = 1
#IDFT:傅里叶变换的逆运算
#图片经过低通滤波器
fshift = dft_shift*mask
#将低频位置拉回原位
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
# 拉回原位后还无法查看,因为数据是实部和虚部,再进行处理即可查看
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
#原图
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Tnput Image'),plt.xticks([]),plt.yticks([])
#傅里叶变换后的图像
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.savefig('02idft01.png')
plt.show()
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
#将低频拉到中心位置
dft_shift = np.fft.fftshift(dft)
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)#中心位置
#低通滤波
mask = np.ones((rows,cols,2),np.uint8)
#制作掩码:中心点的上下左右四个方向取30长度的方框,即为60*60的正方形;用白色填充即mask=1
mask[crow-30:crow+30,ccol-30:ccol+30] = 0
#IDFT:傅里叶变换的逆运算
#图片经过低通滤波器
fshift = dft_shift*mask
#将低频位置拉回原位
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
# 拉回原位后还无法查看,因为数据是实部和虚部,再进行处理即可查看
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
#原图
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Tnput Image'),plt.xticks([]),plt.yticks([])
#傅里叶变换后的图像
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.savefig('02idft02.png')
plt.show()