怎么找人做淘宝网站吗,wordpress分类目录排序,wordpress当前文章所在的分类,好大夫在线医生免费咨询一、图像直方图 直方图可以让你了解总体的图像像素强度分布#xff0c;其X轴为像素值#xff08;一般范围为0~255#xff09;#xff0c;在Y轴上为图像中具有该像素值像素数。
- 横坐标: 图像中各个像素点的灰度级. - 纵坐标: 具有该灰度级的像素个数. 画出上图的直方图: …一、图像直方图 直方图可以让你了解总体的图像像素强度分布其X轴为像素值一般范围为0~255在Y轴上为图像中具有该像素值像素数。
- 横坐标: 图像中各个像素点的灰度级. - 纵坐标: 具有该灰度级的像素个数. 画出上图的直方图: 或者以柱状图的形式: - 归一化直方图 - 横坐标: 图像中各个像素点的灰度级 - 纵坐标: 出现这个灰度级的概率 - **直方图术语** dims需要统计的特征的数目。例如dims1表示我们仅统计灰度值。 bins每个特征空间子区段的数目。 range统计灰度值的范围, 一般为[0, 255] 1.1 使用OpenCV统计直方图
- calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) - images: 原始图像 - channels: 指定通道. - 需要用中括号括起来, 输入图像是灰度图像是, 值是[0], 彩色图像可以是[0], [1], [2], 分别对应B,G,R. - mask: 掩码图像 - 统计整幅图像的直方图, 设为None - 统计图像某一部分的直方图时, 需要掩码图像. - histSize: BINS的数量 - 需要用中括号括起来, 例如[256] - ranges: 像素值范围, 例如[0, 255] - accumulate: 累积标识 - 默认值为False - 如果被设置为True, 则直方图在开始分配时不会被清零. - 该参数允许从多个对象中计算单个直方图, 或者用于实时更新直方图. - 多个直方图的累积结果, 用于对一组图像计算直方图. import cv2import matplotlib.pyplot as pltlena cv2.imread(./lena.png)hist cv2.calcHist([lena], [0], None, [256], [0, 255])print(type(hist))print(hist.size)print(hist.shape)print(hist) 1.2 使用OpenCV绘制直方图
可以利用matplotlib把OpenCV统计得到的直方图绘制出来.
import cv2
import matplotlib.pyplot as plt
lena cv2.imread(./lena.png)histb cv2.calcHist([lena], [0], None, [256], [0, 255])
histg cv2.calcHist([lena], [1], None, [256], [0, 255])
histr cv2.calcHist([lena], [2], None, [256], [0, 255])plt.plot(histb, colorb)
plt.plot(histg, colorg)
plt.plot(histr, colorr)
plt.show() 1.3 使用掩膜的直方图
- 掩膜 - 如何生成掩膜 - 先生成一个全黑的和原始图片大小一样大的图片.
mask np.zeros(image.shape, np.uint8) - 将想要的区域通过索引方式设置为255.
mask[100:200, 200: 300] 255 #255 白色 import cv2
import matplotlib.pyplot as plt
lena cv2.imread(./lena.png)
gray cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)mask np.zeros(gray.shape, np.uint8)
mask[200:400, 200: 400] 255
hist_mask cv2.calcHist([gray], [0], mask, [256], [0, 255])
hist_img cv2.calcHist([gray], [0], None, [256], [0, 255])
plt.plot(hist_mask)
plt.plot(hist_img)cv2.imshow(mask, cv2.bitwise_and(gray, gray, maskmask))
cv2.waitKey(0)
cv2.destroyAllWindows() 二、直方图均衡化原理
直方图均衡化是通过拉伸像素强度的分布范围使得在0~255灰阶上的分布更加均衡提高了图像的对比度达到改善图像主观视觉效果的目的。对比度较低的图像适合使用直方图均衡化方法来增强图像细节。 原理:
1. 计算累计直方图 累计直方图对概率进行累计 2. 累计直方图进行区间转换 3. 在累计直方图中, 概率相近的原始值, 会被处理为相同的值 - equalizeHist(src[, dst]) - src 原图像 - dst 目标图像, 即处理结果 import cv2
import matplotlib.pyplot as plt
lena cv2.imread(./lena.png)
gray cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)# lena变黑
gray_dark gray - 40
# lena变亮
gray_bright gray 40# 查看各自的直方图
hist_gray cv2.calcHist([gray], [0], None, [256], [0, 255])
hist_dark cv2.calcHist([gray_dark], [0], None, [256], [0, 255])
hist_bright cv2.calcHist([gray_bright], [0], None, [256], [0, 255])plt.plot(hist_gray)
plt.plot(hist_dark)
plt.plot(hist_bright)# 进行均衡化处理
dark_equ cv2.equalizeHist(gray_dark)
bright_equ cv2.equalizeHist(gray_bright)
cv2.imshow(gray_dark, np.hstack((gray_dark, dark_equ)))
cv2.imshow(gray_bright, np.hstack((gray_bright, bright_equ)))
cv2.waitKey(0)
cv2.destroyAllWindows()
