opencv学习笔记(6):图像预处理(直方图、图像去噪)

3.直方图

直方图是用来表现图像中亮度分布的,给出的是图像中某个亮度或者某个范围亮度下共有几个像素,即统计一幅图某个亮度像素的数量

直方图不能反映某一灰度值像素在图像中的位置,失去了图像的空间信息。图像直方图由于其计算代价较小,且具有图像平移、旋转、缩放不变性等众多优点,被广泛地应用于图像处理的各个领域,特别是灰度图像的阈值分割、基于颜色的图像检索以及图像分类。 

3.1 标准直方图 

 OpenCV中的直方图函数calcHist()定义如下。

void cv::calcHist(const Mat * images,
int     nimages,
const int * channels,
InputArray mask,
OutputArray hist,
int      dims,
const int * histSize,
const float ** ranges,
bool    uniform = true,
bool    accumulate = false)

具体参数解析如下:

  • const Mat *images:要求Mat指针。可以传递一个数组,可以同时求很多幅图像的直方图,前提是深度相同,如CV_8U和CV_32F,尺寸相同,通道数可以不同。
  • int nimages:源图像数。
  • const int* channels:传递要加入直方图计算的通道。该函数可以求多个通道的直方图,通道编号从0开始依次递增。假如第一幅图像有3个通道,第二幅图像有两个通道,则:images[0]的通道编号为0、1、2,images[1]的通道编号则为3、4;如果想通过5个通道计算直方图,则传递的通道channels为int channels[5] = {0,1,2,3,4,5}。
  • InputArray mask:掩码矩阵。没有掩码,则传递空矩阵就行了;如果非空,则掩码矩阵大小必须和图像大小相同,在掩码矩阵中,非空元素将被计算到直方图内。
  • OutputArray hist:输出直方图。
  • int dims:直方图维度。必须大于0,并小于CV_MAX_DIMS(32)。
  • const int*histSize:直方图中每个维度的级别数量。例如灰度值(0—255),如果级别数量为4,则灰度值直方图会按照[0, 63]、[64,127]、[128,191]、[192,255]划分,也称为bin数目,级别数量为4就是4个bin。如果是多维的就需要传递多个histSize,每个维度的大小用一个int型数据来表示,所以histSize是一个数组。
  • const float**ranges:一个维度中的每一个bin的取值范围。
  • bool uniform:如果为 true,则range可以用一个具有两个元素(一个最小值和一个最大值)的数组表示,如果为false,则需要用一个具有histSize+1个元素(每相邻两个元素组成的取值空间代表对应的bin的取值范围)的数组表示。如果统计多个维度则需要传递多个数组,所以ranges是一个二维数组。
  • bool accumulate:决定在计算直方图时是否清空传入的hist。其值为true表示不清空,为false则表示清空。该参数一般设置为false,只有在想要统计多个图像序列中的累加直方图时才会设置为true。

OpenCV中,在进行直方图绘图之前,需要用函数normalize ()对数据进行归一化处理。简单来说就是将数据限制在一定范围内,方便处理。normalize()函数声明如下。 

void cv::normalize(InputArray src,
InputOutputArray dst,
double alpha=1,
double beta=0,
int norm_type=NORM_L2,
int dtype=-1,
InputArray mark=noArray())

具体参数解析如下:

  • InputArray src:输入数组。
  • OutputArray dst:输出数组。大小和原数组一致。
  • double alpha:用来规范值或者规范范围,并且是下限。
  • double beta:用来规范范围并且是上限。因此该参数只在NORM_MINMAX中起作用。
  • int norm_type:归一化选择的数学公式类型。
  • int dtype:其值为负,输出的大小、深度、通道数都等于输入;其值为正,输出只有深度与输入不同,不同的地方由dtype决定。
  • InputArray mark:掩码。选择感兴趣区域,选定后只能对该区域进行操作。

 示例代码:

void function2()
{//读取一张图片Mat src = imread("C:/Users/27844/Desktop/icon.jpg");if(src.empty()){cout<<"image is empty"<<endl;return;}//分离图片通道vector<Mat> channels;split(src,channels);//计算直方图int histSize = 256; //直方图的bin数float range[] = {0,9}; //设置值的范围const float* histRange = { range };Mat b_hist, g_hist, r_hist;//创建Mat对象分别保存直方图,每个通道均为1calcHist(&channels[0],1,0,Mat(),b_hist,1,&histSize,&histRange,true,false);calcHist(&channels[1],1,0,Mat(),g_hist,1,&histSize,&histRange,true,false);calcHist(&channels[2],1,0,Mat(),r_hist,1,&histSize,&histRange,true,false);//数据归一化normalize(b_hist,b_hist,0,255,NORM_MINMAX,-1,Mat());normalize(g_hist,g_hist,0,255,NORM_MINMAX,-1,Mat());normalize(r_hist,r_hist,0,255,NORM_MINMAX,-1,Mat());//绘制直方图int hist_height=400,hist_width=512;int bin_width = cvRound((double)hist_width/hist_height); //bin的宽度Mat histImage(hist_width,hist_width,CV_8UC3,Scalar(255,255,255)); // 白色背景for(int i=1;i<histSize;i++){line(histImage,Point(bin_width * (i - 1), hist_height - cvRound(b_hist.at<float>(i - 1))),Point(bin_width * (i), hist_height - cvRound(b_hist.at<float>(i))),Scalar(255, 0, 0), 2, 8, 0);line(histImage,Point(bin_width * (i - 1), hist_height - cvRound(g_hist.at<float>(i - 1))),Point(bin_width * (i), hist_height - cvRound(g_hist.at<float>(i))),Scalar(0,255,0), 2, 8, 0);line(histImage,Point(bin_width * (i - 1), hist_height - cvRound(r_hist.at<float>(i - 1))),Point(bin_width * (i), hist_height - cvRound(r_hist.at<float>(i))),Scalar(0, 0,255), 2, 8, 0);}namedWindow("histImage",WINDOW_AUTOSIZE);imshow("histImage",histImage);waitKey(0);}

3.2 直方图均衡化

 直方图均衡化是一种增强图像对比度的方法,也叫直方图线性变换。其主要思想是将一幅图像的直方图分布变成近似均匀分布,从而增强图像的对比度,其基本原理是对在图像中像素个数多的灰度值(即对画面起主要作用的灰度值)进行展宽,而对像素个数少的灰度值(即对画面不起主要作用的灰度值)进行归并,从而加强对比度,使图像清晰,达到图像增强的目的。

OpenCV提供了一个直方图均衡化的函数,可以通过使用这个函数来实现直方图均衡化,函数定义如下。

cv::equalizeHist(image,result);

 参数解析如下:

  • image:输入图像,即源图像,必须是8位的单通道图像。
  • result:函数调用后的运算结果,需和源图像有一样的尺寸和类型。

 示例代码:

void function3()
{//直方图均衡化Mat src,dst;src = imread("C:/Users/27844/Desktop/icon.jpg");if(src.empty()){cout<<"image is empty"<<endl;return;}//将图片转换为灰度图并显示cvtColor(src,src,COLOR_BGR2GRAY);imshow("src",src);//进行直方图均衡化equalizeHist(src,dst);imshow("dst",dst);waitKey(0);destroyAllWindows();
}

3.3 直方图匹配

直方图的均衡化自动确定了变换函数,可以很方便地得到变换后的图像。但是,在有些应用中这种自动的增强并不是最好的方法。有时候,需要图像具有某一特定的直方图形状(也就是灰度分布),而不是均匀分布的直方图,这时可以使用直方图匹配。

直方图匹配也叫作直方图规定化,用于将图像变换为某一特定的灰度分布,适用于目标灰度直方图已知的情况。

直方图匹配的步骤如下:

(1)将源图像的灰度直方图进行均衡化,得到一个变换函数 s = T ( r ),其中 s 是均衡化后的像素, r 是原始像素。

(2)对规定的直方图进行均衡化,得到一个变换函数 v = G ( z ),其中 v 是均衡化后的像素, z 是规定的像素。

(3)上面都是对同一图像的均衡化,其结果应该是相等的,即 s = v ,且 z = G -1 ( v )= G -1 [ T ( r )]。

3.4 局部直方图处理

 全局直方图适用于整张图像的增强,但有时存在这样的情况:只需要增强图像中小区域的细节。在这些区域中,一些像素的影响在全局变换的计算中可能被忽略了,因为全局直方图没有必要保证期望的局部增强,解决方法是以图像中每个像素的邻域中的灰度分布为基础设计变换函数。处理过程是定义一个邻域,并把该区域的中心从一个像素移至另一个像素。在每个位置,计算邻域中点的直方图,并且得到的不是直方图的均衡化就是规定化的变换函数,这个函数最终用于映射邻域中心像素的灰度。然后,邻域的中心被移至一个相邻像素位置,重复该过程。当邻域进行逐像素平移时,由于只有邻域中的一行或一列改变,所以可以在移动一步的过程中以新数据更新前一个位置得到的直方图。

局部直方图操作的具体步骤如下:

(1)求第一个邻域内的直方图。

(2)根据直方图均衡化将该邻域中心点的像素更新。

(3)将中心点移向下一个邻域,例如,此时中心点为(3,3)(第一个数为行,第二个值为列),先向下移动一个像素,中心点变为(4,3),假设局部直方图大小为7×7,则此时得到的邻域与前一个邻域相比只有一行像素不同,即(0,0)、(0,1)……(0,6)与(7,0)、(7,1)……(7,6)可能不同,此时比较第0行和第7行相对应的元素是否相同来更新直方图,如果直方图有变化,则更新当前中心点的像素值。

(4)对所有的像素执行第三歩。

 

4. 图像去噪 

 图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声等的影响,在这种条件下得到的图像称为含噪图像或噪声图像。噪声是干扰图像的重要因素。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输过程中产生,也可能在量化处理等过程中产生。

下面举例几种常用的:

4.1 均值滤波

均值滤波是由当前像素邻近的若干像素组成的模板的均值来替代原像素的值的方法。在opencv中,用blur()函数进行均值滤波。

 均值滤波卷积核:

 注意:在处理噪声的同时也存在一个问题,就是源图像的一些细节变得模糊了。

4.2 高斯滤波

高斯滤波是线性滤波中的一种。在OpenCV图像滤波处理中,高斯滤波用于平滑图像,或者说是进行图像模糊处理。

其原理是将正态分布(又名高斯分布)用于图像处理,相当于在图像上产生“模糊”效果,“中间点”会失去细节,所以高斯滤波属于低通滤波,低通滤波就是去掉高频信号,留下低频信号。相反,高通滤波就是去掉低频信号,留下高频信号。

在opencv中,用GaussianBlur()函数进行高斯滤波。函数定义如下。

void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT)

参数解析如下。

InputArray src:输入图像。图像可以具有任何数量的通道。
OutputArray dst:输出图像。与输入图像大小、类型相同。
Size ksize:高斯核大小。ksize.width 和 ksize.height 可以有所不同,但它们都必须是正数和奇数。
double sigmaX: x 方向上的高斯核标准偏差。
double sigmaY: y 方向上的高斯核标准偏差。
如果sigmaY为0,则将其设置为与sigmaX相同的值;如果sigmaX和sigmaY都是0,则分别根据ksize.width和ksize.height计算而来。
int borderType:用于推断图像外部像素的某种边界模式。

高斯滤波对被高斯噪声污染的图像具有很好的处理效果。均值滤波是基于平均权重,无法克服边缘像素信息丢失的缺陷。高斯滤波部分克服了该缺陷,但是无法完全克服,因为没有考虑像素值的不同,对边缘信息权值较低。

4.3 中值滤波

 中值滤波在某些情况下可以做到既能去除噪声又能保护图像的边缘,是一种非线性的去除噪声的方法。在opencv中,用medianBlur()函数进行高斯滤波。

 中值滤波相较于均值滤波在去除噪声的同时更多地保留了图像的细节。中值滤波处理对滤除脉冲噪声比较有效。脉冲噪声也称椒盐噪声,是图像中经常见到的一种噪声,它是一种随机出现的白点或者黑点,可能是在亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。

4.4  双边滤波

 双边滤波是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。在opencv中,使用bilateralFilter()函数来进行双边滤波。

 示例代码:

void function4()
{// 图像去噪// 1.均值滤波Mat src = imread("C:/Users/27844/Desktop/icon.jpg");if(src.empty()){cout<<"image is empty"<<endl;return;}imshow("src",src);Mat dst;dst.create(src.size(),src.type());blur(src,dst,Size(7,7));imshow("blur",dst);// 2.高斯滤波Mat dst2;dst2.create(src.size(),src.type());GaussianBlur(src,dst2,Size(7,7),0,0);imshow("GaussianBlur",dst2);// 3.中值滤波Mat dst3;dst3.create(src.size(),src.type());medianBlur(src,dst3,7);imshow("medianBlur",dst3);// 4.双边滤波Mat dst4;dst4.create(src.size(),src.type());bilateralFilter(src,dst4,9,60,15);imshow("bilateralFilter",dst4);waitKey(0);}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/884247.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C# 中 发送HTTP请求 实现Ajax功能

Ajax技术的核心及其在jQuery中的使用&#xff0c;包括GET和POST请求的实现&#xff0c;以及Ajax轮询请求的工作原理。通过实例展示了如何使用jQuery.Ajax进行HTTP请求&#xff0c;与后端接口交互&#xff0c;以及处理JSON数据。同时还提到了跨域问题和轮询请求中停止条件的设定…

使用socket库创建简单的客户端和服务器

以下是使用Python的socket库创建简单的客户端和服务器的示例。这个示例将展示如何建立一个基本的TCP连接&#xff0c;服务器接收数据并发送响应&#xff0c;客户端发送数据并接收响应。 服务器端代码 首先&#xff0c;我们编写服务器端代码&#xff0c;它将监听来自客户端的连…

《双指针篇》---移动零

题目传送门 这道题可以归类为 数组划分/数组分块 。 题目制定了一个规则&#xff0c;我们可以在这个规则下&#xff0c;将数组划分为若干个区间。 这道题让我们把所有非零元素移动到左边。所有零元素移动到右边。 将数组划分为&#xff1a; 左区间非0&#xff1b; 右区间&…

写一个小日历

以下是一个示例&#xff0c;展示了如何创建一个基本的日历 日历 1. HTML 结构 首先&#xff0c;创建一个基本的 HTML 结构&#xff0c;用于展示日历。 <!DOCTYPE html> <html lang"zh"> <head><meta charset"UTF-8"><meta na…

springboot项目中引入配置文件数据的方式

yml中引用变量 1. 直接在当前文件中定义然后使用格式 ${} 引用 2. 如果使用\t 转义不成功可以添加双引号 读取yml单个属性数据 使用Value注解获取单个属性值&#xff0c;格式${一级属性名.二级属性名} Value("${country}") private String country; Value(&…

OpenHarmony、HarmonyOS、HarmonyNext互相兼容吗?

1&#xff0c;三者之间的关系 OpenHarmony&#xff1a;开源底层。HarmonyOS&#xff1a;闭源手机系统&#xff0c;兼容安卓生态。HarmonyOS NEXT&#xff1a;纯血鸿蒙&#xff0c;不兼容安卓。 上一篇文章简单介绍过&#xff0c;就不再多说了&#xff0c;这里说一下HarmonyOS …

Camera学习笔记(202410)

课程&#xff1a;CameraX&#xff1a;面向开发者的摄像头支持库 链接&#xff1a;CameraX&#xff1a;面向开发者的摄像头支持库_哔哩哔哩_bilibili 课程时长&#xff1a;28:00 学习时间&#xff1a;2024-10-29 概述&#xff1a;2019年Android CameraX的发布会 个人感觉&a…

Android 同花顺面经

Android 同花顺面经 文章目录 Android 同花顺面经一面 一面 Android组件化搭建使用接口层路由有什么缺点&#xff1f; 如果更改接口的话&#xff0c;其他的依赖的moudle都得改 说说kotlin和java的区别&#xff1f; Java是支持面向对象的编程&#xff0c;Kotlin是支持面向对象支…

Flutter报错信息Unhandled Exception: Binding has not yet been initialized.

错误信息如下&#xff1a; Typically, this is done by calling "WidgetsFlutterBinding.ensureInitialized()" or "runApp()" (the latter calls the former). Typically this call is done in the "void main()" method. The "ensureIni…

Django入门教程——用户管理实现

第六章 用户管理实现 教学目的 复习数据的增删改查的实现。了解数据MD5加密算法以及实现模型表单中&#xff0c;自定义控件的使用中间件的原理和使用 需求分析 系统问题 员工档案涉及到员工的秘密&#xff0c;不能让任何人都可以看到&#xff0c;主要是人事部门进行数据的…

算法笔记()

文章目录 什么是算法算法的分类算法的意义 其他比较好的算法网站比较知名的算法博主 算法这个课题有点太大了&#xff0c;穷尽一生也难以望其涯岸那是肯定的&#xff0c;甚至几代人无数精英也做不到完全掌握&#xff0c;我们普通人就更不要想了&#xff0c;能理解多少算多少吧。…

BugKu练习记录:矛盾

题目&#xff1a; $num$_GET[num]; if(!is_numeric($num)) { echo $num; if($num1) echo flag{**********}; }关键在于绕过is_numeric&#xff0c;PHP中字符串与数字弱比较&#xff0c;会将字符串转换为数字&#xff0c;截至到非数字字符&#xff0c;如果第一个字符就是非数字…

【Nas】X-DOC:在Mac OS X 中使用 WOL 命令唤醒局域网内 PVE 主机

【Nas】X-DOC&#xff1a;在Mac OS X 中使用 WOL 命令唤醒局域网内 PVE 主机 1、Mac OS X 端2、PVE 端&#xff08;Debian Linux&#xff09; 1、Mac OS X 端 &#xff08;1&#xff09;安装 wakeonlan 工具 brew install wakeonlan&#xff08;2&#xff09;唤醒 PVE 命令 …

8.3.2 前向分步算法与 AdaBoost

由前向分步算法可以推导出 AdaBoost&#xff0c;用定理叙述这一关系。   定理 8.3  AdaBoost 算法是前向分步加法算法的特例。 这时&#xff0c;模型是由基本分类器组成的加法模型&#xff0c;损失函数是指数函数。   证明 前向分步算法学习的正加法模型&#xff0c;当基…

batc和mini-batch

一、概念介绍 batch 批处理&#xff0c;在机器学习中&#xff0c;batch 是指一次处理整个训练数据集的方式。例如&#xff0c;如果有 1000 个训练样本&#xff0c;使用 batch 训练时&#xff0c;模型会同时使用这 1000 个样本进行一次参数更新。也就是说&#xff0c;计算损失…

Java学习教程,从入门到精通,Java for循环知识点(15)

1、Java for循环 在Java中&#xff0c;for循环是一种基本的循环控制结构&#xff0c;它允许你重复执行一段代码固定次数。for循环的语法如下&#xff1a; for (初始化表达式; 循环条件; 迭代表达式) {// 循环体&#xff1a;要重复执行的代码块 }这里是每个部分的详细解释&…

安宝特分享 | AR技术引领:跨国工业远程协作创新模式

在当今高度互联的工业环境中&#xff0c;跨国合作与沟通变得日益重要。然而&#xff0c;语言障碍常常成为高效协作的绊脚石。安宝特AR眼镜凭借其强大的多语言自动翻译和播报功能&#xff0c;正在改变这一局面&#xff0c;让远程协作变得更加顺畅。 01 多语言翻译优势 安宝特A…

生物信息与机器学习6 - 有监督学习算法和无监督学习算法

1.有监督学习算法 有监督学习算法推荐&#xff1a; 决策树分类器 - 适合处理分类问题&#xff0c;容易理解和可视化&#xff1b; KNN分类器 - 对于简单的单特征分类也很有效&#xff1b; 逻辑回归 (多分类) - 使用one-vs-all策略处理多类别。 有监督学习的选择&#xff1a; 如…

【Nas】X-DOC:Mac mini Docker部署小雅Alist

【Nas】X-DOC&#xff1a;Mac mini Docker部署小雅Alist 1、拉取镜像&#xff1a;2、获取阿里云盘信息3、启动容器4、访问服务5、定时清理阿里云盘缓存 1、拉取镜像&#xff1a; docker pull xiaoyaliu/alist:latest2、获取阿里云盘信息 mkdir /Volumes/Data/Docker/xiaoya在…

【数据结构】静态和动态空间管理

让我们来聊聊动态空间管理和静态空间管理&#xff0c;这两个听起来有点复杂的词。其实&#xff0c;它们就像你在学校里玩和学习时用的工具&#xff0c;只不过是在计算机里怎么使用“空间”的工具。我们来一起看看吧&#xff01; ### 什么是静态空间管理&#xff1f; 想象一下…