OpenCV_图像处理

古城微笑少年丶 2022-08-28 05:53 221阅读 0赞

### 图像处理 ###

*   *  灰度图
     *  HSV
     *  图像阈值
     *  图像平滑处理
     *   *  1.均值滤波
         *  2.方框滤波
         *  3.高斯滤波
         *  4.中值滤波
         *  总结与对比展示
     *  形态学
     *   *  腐蚀操作
         *  膨胀操作
         *  开运算与闭运算
         *  梯度
         *  礼帽与黑帽
         *   *  礼帽 = 原始输入-开运算结果
             *  黑帽 = 闭运算-原始输入
     *  图像梯度
     *   *  Sobel算子
         *  Scharr算子
         *  laplacian算子
         *  总结
     *  Canny边缘检测
     *  图像金字塔
     *   *  1.高斯金字塔
         *   *  向下采样方法（缩小）
             *  向上采样方法（放大）
         *  2.拉普拉斯金字塔
     *  图像轮廓
     *   *  应用
         *   *  1.轮廓特征
             *  2.轮廓近似
             *   *  边界矩形、外接圆
     *  模板匹配
     *  直方图
     *   *  mask操作
         *  直方图均衡化
         *   *  自定义直方图均衡化
             *  均衡化总结
     *  傅里叶变换
     *   *  低通滤波
         *  高通滤波

## 灰度图 ##

import cv2 #opencv读取的格式是BGR
    
    img=cv2.imread('cat.jpg')
    img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    img_gray.shape
    
    cv2.imshow("img_gray", img_gray)
    cv2.waitKey(0)    
    cv2.destroyAllWindows()

## HSV ##

H - 色调（主波长）。  
S - 饱和度（纯度/颜色的阴影）。  
V值（强度

cv2.imshow("hsv", hsv)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16]

## 图像阈值 ##

ret, dst = cv2.threshold(src, thresh, maxval, type)

*  src： 输入图，只能输入单通道图像，通常来说为灰度图
 *  dst： 输出图- - thresh： 阈值
 *  maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
 *  type：二值化操作的类型，包含以下5种类型：  
    cv2.THRESH\_BINARY； cv2.THRESH\_BINARY\_INV； cv2.THRESH\_TRUNC；  
    cv2.THRESH\_TOZERO；cv2.THRESH\_TOZERO\_INV
    
     *  cv2.THRESH\_BINARY 超过阈值部分取maxval（最大值），否则取0
     *  cv2.THRESH\_BINARY\_INV THRESH\_BINARY的反转
     *  cv2.THRESH\_TRUNC大于阈值部分设为阈值，否则不变cv2.THRESH\_TOZERO 大于阈值部分不改变，否则设为0
     *  cv2.THRESH\_TOZERO\_INV THRESH\_TOZERO的反转

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
    ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
    ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
    ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
    ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
    
    titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
    images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
    
    for i in range(6):
        plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    plt.show()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 1]

## 图像平滑处理 ##

### 1.均值滤波 ###

简单的平均卷积操作  
一般都是奇数矩阵

blur = cv2.blur(img, (3, 3))

### 2.方框滤波 ###

参数解释：  
\-1：颜色通道一样

normalize=True：效果同上  
normalize=False：>255全部赋为255

# 方框滤波
    # 基本和均值一样，可以选择归一化
    box = cv2.boxFilter(img,-1,(3,3), normalize=True)  
    
    box = cv2.boxFilter(img,-1,(3,3), normalize=False)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 2]

### 3.高斯滤波 ###

高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的

第三个参数，中间最重要的设为1

aussian = cv2.GaussianBlur(img, (5, 5), 1)

### 4.中值滤波 ###

相当于用中值代替  
完全去噪

第二个参数：5表示找5\*5矩阵中间那个数

median = cv2.medianBlur(img, 5)

### 总结与对比展示 ###

import cv2
    import numpy as np
    
    img = cv2.imread('img/lenaNoise.png')
    
    # 均值滤波
    blur = cv2.blur(img, (3, 3))
    # 方框滤波
    box = cv2.boxFilter(img,-1,(3,3), normalize=False)
    # 高斯滤波
    aussian = cv2.GaussianBlur(img, (5, 5), 1)
    # 中值滤波
    median = cv2.medianBlur(img, 5)  # 中值滤波
    
    # 展示所有的
    res = np.hstack((blur,aussian,median)) # 水平显示
    # res = np.vstack((blur,box,aussian,median)) # 垂直显示
    cv2.imshow('median vs average', res)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 3]

## 形态学 ##

### 腐蚀操作 ###

iterations：迭代次数

cv2.erode(img,kernel,iterations = 1)

kernel = np.ones((3,3),np.uint8)
    erosion = cv2.erode(img,kernel,iterations = 1)

### 膨胀操作 ###

cv2.dilate(dige\_erosion,kernel,iterations = 1)

kernel = np.ones((3,3),np.uint8) 
    dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)

### 开运算与闭运算 ###

开：先腐蚀，再膨胀  
cv2.MORPH\_OPEN

cv2.morphologyEx(img, cv2.MORPH\_OPEN, kernel)

kernel = np.ones((5,5),np.uint8)
    opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

闭：先膨胀，再腐蚀  
cv2.MORPH\_CLOSE

cv2.morphologyEx(img, cv2.MORPH\_CLOSE, kernel)

kernel = np.ones((5,5),np.uint8)
    cv2.MORPH_CLOSE
    closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

### 梯度 ###

梯度=膨胀-腐蚀  
cv2.MORPH\_GRADIENT

cv2.morphologyEx(pie, cv2.MORPH\_GRADIENT, kernel)

# 梯度=膨胀-腐蚀
    pie = cv2.imread('img/pie.png')
    kernel = np.ones((7,7),np.uint8)
    
    dilate = cv2.dilate(pie,kernel,iterations = 5) # 膨胀
    erosion = cv2.erode(pie,kernel,iterations = 5) # 腐蚀
    
    gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) # 梯度
    
    res = np.hstack((dilate,erosion,gradient))
    
    cv2.imshow('res', res)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 4]

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 5]

### 礼帽与黑帽 ###

#### 礼帽 = 原始输入-开运算结果 ####

cv2.MORPH\_TOPHAT  
结果：毛刺留下来了

tophat = cv2.morphologyEx(img, cv2.MORPH\_TOPHAT, kernel)

img = cv2.imread('img/dige.png')
    kernel = np.ones((7,7),np.uint8)
    
    tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
    
    cv2.imshow('tophat', tophat)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 6]

#### 黑帽 = 闭运算-原始输入 ####

迪哥轮廓  
cv2.MORPH\_BLACKHAT

cv2.morphologyEx(img,cv2.MORPH\_BLACKHAT, kernel)

img = cv2.imread('img/dige.png')
    kernel = np.ones((7,7),np.uint8)
    
    blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
    
    cv2.imshow('blackhat ', blackhat )
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 7]

## 图像梯度 ##

### Sobel算子 ###

![在这里插入图片描述][020ca61534d84b79b48476dcf0787925.png]

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth:图像的深度  
dx和dy分别表示水平和竖直方向  
ksize是Sobel算子的大小

sobelx = cv2.Sobel(img,cv2.CV\_64F,1,0,ksize=3)

tip:  
不建议直接计算x,y，因为这样图像会有重影

import cv2
    import numpy as np
    
    def cv_show(img,name):
        cv2.imshow(name,img)
        cv2.waitKey()
        cv2.destroyAllWindows()
    
    img = cv2.imread('img/pie.png',cv2.IMREAD_GRAYSCALE)
    
    sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
    sobelx = cv2.convertScaleAbs(sobelx)
    sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
    sobely = cv2.convertScaleAbs(sobely)  
    
    sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
    cv_show(sobelxy,'sobelxy')

### Scharr算子 ###

权值差别更大  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 8]

### laplacian算子 ###

![在这里插入图片描述][3c1d3513cb2148ef822944e066425382.png]  
对噪音更敏感  
通常和其他一起使用，不单独使用

### 总结 ###

img = cv2.imread('img/lena.jpg',cv2.IMREAD_GRAYSCALE)
    
    #不同算子的差异
    
    sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
    sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
    sobelx = cv2.convertScaleAbs(sobelx)
    sobely = cv2.convertScaleAbs(sobely)
    sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  
    
    scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
    scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
    scharrx = cv2.convertScaleAbs(scharrx)
    scharry = cv2.convertScaleAbs(scharry)
    scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
    
    laplacian = cv2.Laplacian(img,cv2.CV_64F)
    laplacian = cv2.convertScaleAbs(laplacian)
    
    res = np.hstack((sobelxy,scharrxy,laplacian))
    cv_show(res,'res')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 9]

## Canny边缘检测 ##

1.  使用高斯滤波器，以平滑图像，滤除噪声。
2.  计算图像中每个像素点的梯度强度和方向。
3.  应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
4.  应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5.  通过抑制孤立的弱边缘最终完成边缘检测。

img=cv2.imread("img/car.png",cv2.IMREAD_GRAYSCALE)
    
    v1=cv2.Canny(img,120,250)
    v2=cv2.Canny(img,50,100) #更细致
    
    res = np.hstack((v1,v2))
    cv_show(res,'res')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 10]

## 图像金字塔 ##

通过对图像的金字塔变化，抽取若干层进行分析

### 1.高斯金字塔 ###

放大再缩小，图像会变模糊，因为会有两次损失

#### 向下采样方法（缩小） ####

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 11]

img=cv2.imread("AM.png")
    
    down=cv2.pyrDown(img)
    cv_show(down,'down')

#### 向上采样方法（放大） ####

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 12]

up=cv2.pyrUp(img)
    cv_show(up,'up')

### 2.拉普拉斯金字塔 ###

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 13]

第一层结果：原始-（压缩+放大）

down=cv2.pyrDown(img)
    down_up=cv2.pyrUp(down)
    l_1=img-down_up
    cv_show(l_1,'l_1')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 14]

## 图像轮廓 ##

cv2.findContours(img,mode,method)

*  mode:轮廓检索模式
    
     *  RETR\_EXTERNAL ：只检索最外面的轮廓；
     *  RETR\_LIST：检索所有的轮廓，并将其保存到一条链表当中；
     *  RETR\_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
     *  RETR\_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;
 *  method:轮廓逼近方法
    
     *  CHAIN\_APPROX\_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
     *  CHAIN\_APPROX\_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

为了更高的准确率，使用二值图像。

img = cv2.imread('img/contours.png')
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 为了更高的准确率，使用二值图像。
    
    binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
    
    #传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
    # 注意需要copy,要不原图会变。。。
    draw_img = img.copy()
    res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 1)
    cv_show(res,'res')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 15]

### 应用 ###

#### 1.轮廓特征 ####

cnt = contours[0]
    #面积
    print(cv2.contourArea(cnt))
    #周长，True表示闭合的
    print(cv2.arcLength(cnt, True))

#### 2.轮廓近似 ####

0.1：这个参数越小，近似度越高

epsilon = 0.1\*cv2.arcLength(cnt,True)  
approx = cv2.approxPolyDP(cnt,epsilon,True)

img = cv2.imread('img/contours2.png')
    
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
    cnt = contours[0]
    
    draw_img = img.copy()
    res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
    cv_show(res,'res')
    
    # 轮廓近似
    epsilon = 0.1*cv2.arcLength(cnt,True)
    approx = cv2.approxPolyDP(cnt,epsilon,True)
    
    draw_img = img.copy()
    res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
    cv_show(res,'res')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 16]

##### 边界矩形、外接圆 #####

边界矩形  
img\_rectangle = cv2.rectangle(img.copy(),(x,y),(x+w,y+h)

外接圆  
img\_radius = cv2.circle(img.copy(),center,radius,(0,255,0),2)

img = cv2.imread('img/contours.png')
    
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
    cnt = contours[2]
    
    
    # 外界矩形
    x,y,w,h = cv2.boundingRect(cnt)
    img_rectangle = cv2.rectangle(img.copy(),(x,y),(x+w,y+h),(0,255,0),2)
    cv_show(img_rectangle,'img_rectangle')
    
    # 轮廓面积与边界矩形比
    area = cv2.contourArea(cnt) # 轮廓面积
    rect_area = w * h # 边界矩形
    extent = float(area) / rect_area
    print ('轮廓面积与边界矩形比',extent)
    
    
    
    # 外接圆
    (x,y),radius = cv2.minEnclosingCircle(cnt)
    center = (int(x),int(y))
    radius = int(radius)
    img_radius = cv2.circle(img.copy(),center,radius,(0,255,0),2)
    cv_show(img_radius,'img_radius')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 17]

## 模板匹配 ##

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个程度的计算方法在OpenCV里有六种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是A*B大小，而模板是a*b大小，则输入结果的矩阵是(A-a+1)\*(B-b+1)

*  cv2.TM\_CCOEFF’,
 *  ‘cv2.TM\_CCOEFF\_NORMED’, 计算归一化相关系数，计算出来的值越接近1，越相关
 *  ‘cv2.TM\_CCORR’,
 *  ‘cv2.TM\_CCORR\_NORMED’, 计算归一化相关性，计算出来的值越接近1，越相关
 *  ‘cv2.TM\_SQDIFF’,
 *  cv2.TM\_SQDIFF\_NORMED’：计算归一化平方不同，计算出来的值越接近0，越相关

res = cv2.matchTemplate(img, template, method)

# 读取原图像
    img = cv2.imread('img/lena.jpg', 0)
    # 读取模板图像
    template = cv2.imread('img/face.jpg', 0)
    h, w = template.shape[:2]
    
    methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
    
    for meth in methods:
        img2 = img.copy()
    
        # 匹配方法的真值
        method = eval(meth)
        print(method)
        res = cv2.matchTemplate(img, template, method)
        min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    
        if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
            top_left = min_loc
        else:
            top_left = max_loc
        bottom_right = (top_left[0]+w,top_left[1]+h)
    
        #画矩形
        cv2.rectangle(img2, top_left, bottom_right, 255 ,2)
    
        plt.subplot(121),plt.imshow(res, cmap='gray')
        plt.xticks([]),plt.yticks([]) # 隐藏坐标轴
        plt.subplot(122), plt.imshow(img2, cmap='gray')
        plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    
        plt.suptitle(meth)
        plt.show()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 18]  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 19]

## 直方图 ##

cv2.calcHist(images,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 \[\] 括来例如\[img\]
 *  channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。  
    如果入图像是灰度图它的值就是 \[0\]；  
    如果是彩色图像 的传入的参数可以是 \[0\]\[1\]\[2\] 它们分别对应着 BGR。
 *  mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
 *  histSize:BIN 的数目。也应用中括号括来
 *  ranges: 像素值范围常为 \[0-256\]

img = cv2.imread('img/cat.jpg',0) #0表示灰度图
    hist = cv2.calcHist([img],[0],None,[256],[0,256])
    
    plt.hist(img.ravel(),256)
    plt.show()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 20]

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])

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 21]

### mask操作 ###

# 创建mast
    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', 0)
    cv_show(img,'img')
    
    masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作
    cv_show(masked_img,'masked_img')
    
    hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
    hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])
    
    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()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 22]

### 直方图均衡化 ###

equ = cv2.equalizeHist(img)  
plt.hist(equ.ravel(),256)

#### 自定义直方图均衡化 ####

可能会产生局部噪音

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))  
res\_clahe = clahe.apply(img)

#### 均衡化总结 ####

img = cv2.imread('img/clahe.jpg',0) #0表示灰度图 #clahe
    plt.hist(img.ravel(),256);
    plt.show()
    
    # 均衡化
    equ = cv2.equalizeHist(img)
    plt.hist(equ.ravel(),256)
    plt.show()
    
    # 自定义均衡化
    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')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 23]  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 24]

## 傅里叶变换 ##

我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。

但是在频域中一切都是静止的！

https://zhuanlan.zhihu.com/p/19763358

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cv2.dft()和cv2.idft()，输入图像需要先转换成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，通过shift变换

import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    
    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)
    
    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()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 25]

### 低通滤波 ###

import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    
    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)
    
    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
    
    # IDFT
    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()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 26]

### 高通滤波 ###

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)
    
    rows, cols = img.shape
    crow, ccol = int(rows/2) , int(cols/2)     # 中心位置
    
    # 高通滤波
    mask = np.ones((rows, cols, 2), np.uint8)
    mask[crow-30:crow+30, ccol-30:ccol+30] = 0
    
    # IDFT
    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()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 27]

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/a3c9ffaee1e540d3a561d98030c8d657.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/f2785b357e4c491789b23eec6489c1aa.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/d247bf02daf84bd6920d4bcdebd6c494.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220828/e95828f0fdca49e0b6f9f7945caa2f8b.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 4]: /images/20220828/2f48fab6b5544d7ab622a2275d6c8e34.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 5]: /images/20220828/7b297e463771483288d7d8b9888adbd8.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 6]: /images/20220828/312d415ddae64212a0d727781b89251e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 7]: /images/20220828/d7afc0c94af9423abda6642e2c904582.png
[020ca61534d84b79b48476dcf0787925.png]: /images/20220828/96bb38cbd6bf4c08b381629b3bacf346.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 8]: /images/20220828/3bcf311d9de8484d872e96376b0a7ac0.png
[3c1d3513cb2148ef822944e066425382.png]: /images/20220828/9fd5010f45464262bd3531f30006809d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 9]: /images/20220828/aa591e3219f74102be3c6b4650e5cc47.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 10]: /images/20220828/a9e71a3b3df24c77a0631af42be9b2e3.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 11]: /images/20220828/1d4acc737ff14f768f612cecd8e11ac3.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 12]: /images/20220828/5a337d7c969a47f0a4e7136c734729d6.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 13]: /images/20220828/646b7da777304e9d97f205876723720b.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 14]: /images/20220828/49773481da554b7aba4d23359a8b7a3c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 15]: /images/20220828/66c28ab76ece417ebf42a6fb87cd53b6.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 16]: /images/20220828/5bb8bd365f7a4fbe90f94e4a3c5e1fbf.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 17]: /images/20220828/b16f823f55464707928a792022431680.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 18]: /images/20220828/ec3a297e19dd4dd5b922258015d0b632.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 19]: /images/20220828/8fdd4853510b4011850c3f7aca96035f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 20]: /images/20220828/96bf5f5d95b84588aeae6311c882880e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 21]: /images/20220828/ca6beee26d5e4948b1713c3d1e331600.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 22]: /images/20220828/745d2a66e6554652882c7280ac8e6549.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 23]: /images/20220828/6c07cec402fd4556a7116e3d4413f6d5.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 24]: /images/20220828/2b98c9b443044662abfde5be0419fe77.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 25]: /images/20220828/62c38b99f1744088a14ccd87fef8368c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 26]: /images/20220828/606df4c1dd55435a9ece7bf235555ac3.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAR0NtaQ_size_20_color_FFFFFF_t_70_g_se_x_16 27]: /images/20220828/138b4bef20f94bf789b47d2df22ba549.png