OpenCV计算机视觉实战(Python)_08-直方图与傅里叶变换

本文主要是介绍OpenCV计算机视觉实战(Python)_08-直方图与傅里叶变换，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

什么是histogram？

• 它可以给出图像的密度分布的总体概念，它的x轴是像素值（0到255）y轴是对应的像素在图像里的数量。
• 看histogram你可以得到对比度，亮度，密度分布等直观信息。今天的所有图像处理工具都提供了histogram属性，

1. 直方图

直方图

OpenCV代码： cv2.calcHist(image, channels, mask, histSize, ranges)

• images: 原图像图像格式为uint8或float32，当传入函数时，应用中括号[]来表示，例如[img]
• channels: 同样用[]来表示，如果图像时灰度图，那么它的值就是[0]，如果是彩色图像，那么传入的参数可以是0，1，2，它们分别对应着RGB
  • [0],[1]和[2]来分别计算蓝色，绿色和红色通道的histogram。
• mask: 掩模图像，如果想统计整幅图中的直方图就把它写为None，如果想统计某一部分的直方图，就制作一个掩模图像并使用它。
• histSize:BIN的数目，也应该用中括号表示 (需要用户方括号传入)，对于全刻度，我们传入[256].
• ranges:像素值范围常为[0,256] (RANGE，一般来说是[0,256])

In [3]:

import cv2 

img = cv2.imread("D:/WeChat.picture/cat.jpg",0)  # 0 表示转为 灰度图

hist = cv2.calcHist([img] , [0] , None ,[256] ,[0,256])          #None 表示 没掩盖 对整个图进行处理

hist.shape   # 结果显示出可能有256 个 取值 , 1 表示 2维 统计出现个数

Out[3]:

(256, 1)

In [8]:

# opencv  是 (B G R)的形式 , matplotlib 是 (R B G) 的形式 可用 ravel 转化

import matplotlib.pyplot as plt

plt.hist(img.ravel() , 256)    # plt.hist(img.ravel() , 16) 将其 别分为 16 区间  

plt.show()

In [5]:

cv2.imshow("img" , img)

cv2.waitKey(0)

cv2.destroyAllWindows()

In [9]:

img = cv2.imread("D:/WeChat.picture/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)   # 画线

    plt.xlim([0,256])   #表示 [ 0 ,x] 表示 x的区间 , 并 建立一个坐标 (第一象限)

#  三个颜色通道在直方图的统计结果

直方图均衡化

mask创建 (掩码) mask = np.zeros(img , shape[:2] , np.uint8)

In [22]:

def cv_show(img , name):

    cv2.imshow(name , img)

    cv2.waitKey(0)

    cv2.destroyAllWindows()

import numpy as np

import cv2

img = cv2.imread("D:/WeChat.picture/cat.jpg",0)

mask = np.zeros(img.shape[:2],np.uint8)  

print(img.shape)

mask [100:300 ,100:400] = 255

cv_show(mask , "mask")

mask_img = cv2.bitwise_and(img , img , mask =mask) #与操作

cv_show(mask_img ,"mask_img")

(414, 500)

In [23]:

hist_full = cv2.calcHist([img] , [0] , None , [256] , [0 ,256])

hist_mask = cv2.calcHist([img] , [0] , mask , [256] , [0 ,256])

plt.plot(hist_full), plt.plot(hist_mask)

plt.xlim([0,256])

plt.show()

plt.imshow()函数负责对图像进行处理，并显示其格式，而plt.show()则是将plt.imshow()处理后的函数显示出来。

In [20]:

# 使用plt.subplot来创建小图. plt.subplot(221)表示将整个图像窗口分为2行2列, 当前位置为1.

plt.subplot(221) , plt.imshow(img ,"gray")

plt.subplot(222) , plt.imshow(mask ,"gray" )

plt.subplot(223) , plt.imshow(mask_img ,"gray")

plt.subplot(224) , plt.plot(hist_full) , plt.plot(hist_mask) #直接输出

plt.show()

自适应直方图均衡化

In [24]:

import cv2

import matplotlib.pyplot as plt

img = cv2.imread("D:/WeChat.picture/clahe.jpg",0)

hist = cv2.calcHist([img] , [0] ,None , [256] ,[0 ,256])

plt.hist(img.ravel() ,256)   # number 表示分为 多少部分, ravel   bgr 转为 rgb

plt.show()

In [135]:

equ = cv2.equalizeHist(img)

plt.hist(equ.ravel(),256)

plt.show()

分小块进行直方图均衡化处理：

In [136]:

import numpy as np

res = np.hstack((img ,equ))  # 要求维度 一致 灰度为2维  彩色图为 3 维度

cv_show(res , "res")

自适直方图均衡化

In [137]:

clahe = cv2.createCLAHE(clipLimit = 2.0 , tileGridSize = (8, 8))

res_clahe = clahe.apply(img)

res = np.hstack((img , equ ,res_clahe))

cv_show(res , "res")

2. 傅里叶变换

介绍

傅里叶变换：

将时域（以时间为主轴，在某个时间发生了什么事情） 转换为频域（只要知道发生了什么事就好，不管在哪个时间发生的，只考虑发生的事情和频率）

应用

傅里叶变换的作用：

• 高频：变化剧烈的灰度分量，例如边界
• 低频：变化缓慢的灰度分量，例如一片大海

滤波：

• 低通滤波器：只保留低频，会使得图像模糊
• 高通滤波器：只保留高频，会使得图像细节增强

OpenCV程序

步骤：

• OpenCV中主要是cv2.dft() 和 cv2.idft()，输入图像需要先转换为np.float32格式
• 得到的结果中频率为0的部分会再左上角，通常要转换到中心位置，可以通过shift变换来实现
• cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换为图像格式才能显示（0，255）

In [41]:

import numpy as np

import cv2 

import matplotlib.pyplot as plt

​

img = cv2.imread("D:/WeChat.picture/lena.png", 0)  # 需转化为灰度图 处理

# 转换为：float32

img_float32 = np.float32(img)  

​

# 转换到频域

dft = cv2.dft(img_float32 , flags = cv2.DFT_COMPLEX_OUTPUT)

​

# 平移到原点

dft_shift = np.fft.fftshift(dft)

# 得到灰度图能表示的形式     将实部和虚部转换为0-255之间的数值

magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0] , dft_shift[:,:,1]))

​

# 画图

plt.subplot(121), plt.imshow(img , cmap = "gray")

plt.title('Input Image') ,plt.xticks([]) , plt.yticks([])

plt.subplot(122) , plt.imshow(magnitude_spectrum , cmap = "gray" )

plt.title("Magnitude Sepctrum") , plt.xticks([]) , plt.yticks([])

plt.show()

In [61]:

import cv2

import numpy as np

import matplotlib.pyplot as plt

​

img = cv2.imread("D:/WeChat.picture/lena.png" , 0)  

# 转换为：float32

img_float32 = np.float32(img)

​

# 转换到频域

dft = cv2.dft(img_float32 , flags =  cv2.DFT_COMPLEX_OUTPUT) # 不可省去 flags

# 平移到原点

dft_shift = np.fft.fftshift(dft)

​

# 计算中心位置

rows , cols = img.shape  # 灰度图

crow , ccol = int (rows/2) ,int (cols/2)

​

# 低通滤波：创建掩码，掩码大小与图像大小一致，保留的位置的边界扩大30，保证能包括所有要保留的区域

mask = np.zeros((rows ,cols ,2) , np.uint8)

 mask[crow-30 :crow+30 , ccol-30 :ccol +30] = 1

​

# IDFT

fshift = dft_shift * mask # 低通

#fshift = dft_shift*mask

f_ishift = np.fft.ifftshift(fshift)

img_back = cv2.idft(f_ishift)

img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])

​

plt.subplot(121) , plt.imshow(img , cmap = "gray")

plt.title("Input Image") ,plt.xticks([]) , plt.yticks([])

plt.subplot(122) , plt.imshow(img_back , cmap = "gray")

plt.title("Result") , plt.xticks([]) , plt.yticks([])

plt.show()                                        # 不可省去

In [ ]:

​

In [63]:

import numpy as np

import cv2

from matplotlib import pyplot as plt

​

img = cv2.imread('D:/Wechat.picture/lena.png',0)

# 转换为：float32

img_float32 = np.float32(img)

​

# 转换到频域

dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)

# 平移到原点

dft_shift = np.fft.fftshift(dft)

​

# 计算中心位置

rows, cols = img.shape

crow, ccol = int(rows/2), int(cols/2)

​

# 高通滤波：创建掩码，掩码大小与图像大小一致，保留的位置的边界扩大30，保证能包括所有要保留的区域

mask = np.ones((rows,cols,2),np.uint8)            # mask = np.zeros((rows,cols,2),np.uint8) 修改 zeros

mask[crow-30:crow+30, ccol-30:ccol+30] = 0       #  mask[crow-30:crow+30, ccol-30:ccol+30] = 1  1 改为 0

​

# IDFT

fshift = dft_shift * mask # 高通

f_ishift = np.fft.ifftshift(fshift) # 逆变换

img_back = cv2.idft(f_ishift)

img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])

​

​

# 画图

plt.subplot(121), plt.imshow(img, cmap='gray')

plt.title('Input Image'), plt.xticks([]),plt.yticks([])

plt.subplot(122),plt.imshow(img_back, cmap='gray')

plt.title('Result'), plt.xticks([]),plt.yticks([])

plt.show()

​

这篇关于OpenCV计算机视觉实战(Python)_08-直方图与傅里叶变换的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！