手表网站建设策划,新乡网站建设求职简历,网站建设应注意的问题,网络营销产品推广方案直方图 何为直方图#xff1f;没那么高大上#xff0c;其实就是二维统计图。每个照片都是有像素点所组成#xff0c;当然也是[0,255]#xff0c;直方图就是统计每个值所对应的像素点有几个。 直方图横坐标表示0-255这些像素点值#xff1b;纵坐标表示对应像素点值的个数有…直方图 何为直方图没那么高大上其实就是二维统计图。每个照片都是有像素点所组成当然也是[0,255]直方图就是统计每个值所对应的像素点有几个。 直方图横坐标表示0-255这些像素点值纵坐标表示对应像素点值的个数有多少个例如像素为55的像素点有多少个 cv2.calcHist(images,channels,mask,histSize,ranges) cv2.calcHist([img],[0],None,[256],[0,256]) 参数一images原图像格式为uint8或float32当传入函数时应该用中括号括住通常情况下都是输入的是灰度图 参数二同样用中括号括起来它会告诉函数我们图像的直方图如果输入图像时灰度图它的值就是[0]如果时彩色图像传入的参数可以是[0][1][2]分别对应BGR 参数三掩模图像说白了就是取部分图像而已统计整个图像的直方图时就把它设置为None当然也可以通过掩模来统计图像的某部分的直方图 参数四BIN的数目也就是横坐标的总量程而已一般都是256也就是0-255这256个像素点值也需要用中括号括起来 参数五像素值的范围一般设置为[0,256]import cv2 import numpy as np from matplotlib import pyplot as pltdef show_photo(name,picture):#图像显示函数cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img cv2.imread(E:\Jupyter_workspace\study\data/cat.png,0)#这里的参数0表示以灰度图进行读取 hist cv2.calcHist([img],[0],None,[256],[0,256])#当然由于是灰度图通道数也只有一个即参数二[0]参数三None表示没有使用掩模直接输出整体图像的直方图参数四[256]直方图的横坐标量程参数五[0,256]像素值的范围 hist.shape#结果为(256, 1) 其中256表示这个图像中有0-255这256个取值1表示得到的直方图是二维的即每个像素出现多少个plt.hist(img.ravel(),256) plt.show()img cv2.imread(E:\Jupyter_workspace\study\data/cat.png)#第二个参数不填表示原图输入这个图像为彩色图也就是彩色图输入 color (b,g,r) for i,col in enumerate(color):#枚举格式遍历每个颜色通道histr cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color col)plt.xlim([0,256]) plt.show()原图 原图对应的灰度图的直方图 原图的BGR直方图 掩模mask np.zeros(img.shape[:2],np.uint8) 上面的函数中有掩模的操作接下来介绍一下掩模mask的定义的操作 import cv2 import numpy as np from matplotlib import pyplot as pltdef show_photo(name,picture):#图像显示函数cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()#创建mast掩模是由黑白两部分组成的然后与原图重叠掩模白色区域对应原图区域不变黑色区域对应原图区域变黑 mask np.zeros(img.shape[:2],np.uint8)#这里面的掩码实际上就是边缘黑中间白此时的mask就和原图片大小相同uint8表示无符号八位整数0-255之间 print(mask.shape)#结果为(321, 287) mask[50:200,50:200] 255#要保存的东西是白色的白色区域为要保存的地方所以将选取地方置为255 show_photo(mask,mask)img cv2.imread(E:\Jupyter_workspace\study\data/cat.png,0)#灰度图读取照片 print(img.shape)#结果为(321, 287) show_photo(img,img)masked_img cv2.bitwise_and(img,img,maskmask)#与操作也就是有0则0黑色为0所以说掩码黑色地区都为黑参数一表示原图像参数三表示掩模图像 show_photo(masked_img,masked_img)hist_full cv2.calcHist([img],[0],None,[256],[0,256])#不带掩模的图像进行统计直方图 hist_mask cv2.calcHist([img],[0],mask,[256],[0,256])#带掩模mask的时候统计图像的部分掩模区域的直方图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()掩模图像 原图 掩模操作后的图像 上一原图 上二自定义的掩模 下一掩模对应的原图部分 下二蓝线对应原图的直方图橙线对应掩模处理的部分原图的直方图 直方图均衡化 假设某图片部分像素值为 25512820050502002555025520012812820020025550 下面表格中的函数映射中(255-0)表示设置的横轴的量程这里设置的是0-255 灰度值像素个数概率累积概率根据函数映射后灰度值取整5044/16 0.250.250.25*(255-0)63.756412833/16 0.18750.250.18750.43750.4375*(255-0)111.562511220055/16 0.31250.250.18750.31250.750.75*(255-0)191.2519125544/16 0.250.250.18750.31250.2511*(255-0)255255 均衡化后的像素值为 255112191646419125564255191112112192191255255 均衡化之后发现了这16个数相差的并不是特别大了 cv2.equalizeHist(img) 传入图像对象名称即可进行整体均衡化 import cv2 import numpy as np from matplotlib import pyplot as pltdef show_photo(name,picture):#图像显示函数cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img cv2.imread(E:\Jupyter_workspace\study\data/people.jpg,0) plt.hist(img.ravel(),256)#原图像的直方图 plt.show()equ cv2.equalizeHist(img) plt.hist(equ.ravel(),256)#均衡化后的直方图 plt.show()res np.hstack((img,equ)) show_photo(img_equ,res)#显示原图和均衡化后的图片原图直方图 均衡化后的直方图 原图和均衡化后的图片对比 均衡化后的图像脸上的细节变得更加模糊了尴尬不 这时候就需要自定义均衡化 自定义均衡化 直方图的均衡化也就是整体的均衡化其他像素点值大的地方给平均给其他地方了导致一下细节会丢失 若将原图分成块进行均衡化每块进行自己块的均衡化效果会比全局整体均衡化更好些 当然若图像里面噪音太大局部反而没有整体均衡化好需要自己事先去衡量一下 cv2.createCLAHE(clipLimit 2.0,tileGridSize (8,8)) (8,8)表示分块均衡化中块的大小 import cv2 import numpy as np from matplotlib import pyplot as pltdef show_photo(name,picture):#图像显示函数cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img cv2.imread(E:\Jupyter_workspace\study\data/people.jpg,0) plt.hist(img.ravel(),256)#原图像的直方图equ cv2.equalizeHist(img) plt.hist(equ.ravel(),256)#均衡化后的直方图clahe cv2.createCLAHE(clipLimit 2.0,tileGridSize (8,8))#自定义均衡化每8*8分成块按块进行均衡化 res_clahe clahe.apply(img)res np.hstack((img,equ,res_clahe)) show_photo(img_equ_clahe,res)原图-整体均衡化-自定义均衡化