Opencv计算机视觉入门——图像的处理（三）

ゝ一纸荒年。 2021-11-15 12:56 425阅读 0赞

接上次笔记，继续学习~~~

# 图像的处理（三） #

## 直方图 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70][]

cv2.calcHist(images,channels,mask,histSize,ranges)

images：原图像图像格式为uint8或floa32，当传入函数时应用中括号\[ \]括起来，例如\[img\]

channels：同样用中括号括起来它会告诉函数我们统计图像的直方图，如果图像是灰度图像它的值就是\[0\]，如果是彩色图像的传入参数可以是\[0\]\[1\]\[2\]，他们分别对应着BGR

mask：掩模图像，统计整幅图像的直方图就把它为None，但是如果你想统计某并使用它。一部分的直方图就制作一个掩模图像

histSize：BIN的数目，也应用中括号括起来

ranges：像素值范围为\[0:256\]

#直方图
    img = cv2.imread('cat.jpg',0)  #0表示灰度图
    hist = cv2.calcHist([img],[0],None,[256],[0,256])
    print(hist.shape)
    plt.hist(img.ravel(),256)
    plt.show()
    
    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操作
    #创建mask
    mask = np.zeros(img.shape[:2],np.uint8)
    print(mask.shape)
    mask[100:300,100:400] = 255
    cv_show(mask,'mask')
    
    img = cv2.imread('cat.jpg')
    cv_show(img,'img')
    masked_img = cv2.bitwise_and(img,img,mask=mask) #与操作
    cv_show(masked_img,'mask_img')
    
    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.show()

### 直方图均衡化 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 3][]

#直方图均衡化
    img = cv2.imread('clahe.jpg',0)  #0表示灰度图
    plt.hist(img.ravel(),256)
    plt.show()
    
    equ = cv2.equalizeHist(img)  #均衡化化函数
    plt.hist(equ.ravel(),256)
    plt.show()
    
    res = np.hstack((img,equ))
    cv_show(res,'res')
    
    #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))
    cv_show(res,'res')

## 傅里叶变换 ##

我们生活在时间的世界种，早上七点起来吃早饭，八点去挤地铁，九点开始上班。。。。以时间为参照就是时域分析。

但是在频域种一切都是静止的！

### 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中主要就是cv.dft（）和cv.idft（），输入图像需要先转换程np.float32格式。

得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。

cv.dft（）返回的结果是双通道的（实部，虚部），通常还需要转换成图像的格式（才能显示（0，255））。

#傅里叶变换
    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]))
    
    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 Spectrum'),plt.xticks([]),plt.yticks([])
    plt.show()
    
    
    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)
    mask[crow-30:crow+30,ccol-30:ccol+30] = 1 #置1
    #IDFT
    fshift = dft_shift*mask
    f_ishift = np.fft.fftshift(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()
    
    #高通滤波
    mask = np.ones((rows,cols,2),np.uint8)
    mask[crow-30:crow+30,ccol-30:ccol+30] = 0 #置0
    
    #IDFT
    fshift = dft_shift*mask
    f_ishift = np.fft.fftshift(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()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70]: /images/20211115/a920affb8a0f4cb78140bbf6dcef2923.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 1]: /images/20211115/2cb3a3abe34d427581c0a99aa9819e93.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 2]: /images/20211115/7a8e380c66644102a69652cb45c79300.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 3]: /images/20211115/82dd67727f54499ab0bf0cd214c19c5d.png