深圳网站哪家强,足球网站模板下载,网站建设企业网的项目描述,怎么做美食团购网站目录 1、灰度直方图1.1 基本概念和作用1.2 代码示例 2、BGR直方图2.1 基本概念和作用2.2 代码示例 3、灰度直方图均衡1. 基本概念和作用2. 代码示例 4、直方图变换#xff08;查找#xff09;4.1 基本概念和作用4.2 代码示例 5、直方图匹配5.1 基本概念和作用5.2 代码示例 6、… 目录 1、灰度直方图1.1 基本概念和作用1.2 代码示例 2、BGR直方图2.1 基本概念和作用2.2 代码示例 3、灰度直方图均衡1. 基本概念和作用2. 代码示例 4、直方图变换查找4.1 基本概念和作用4.2 代码示例 5、直方图匹配5.1 基本概念和作用5.2 代码示例 6、直方图反向映射6.1 基本概念和作用6.2 代码示例 7、H-S直方图7.1 基本概念和作用7.2 示例代码 8、自定义直方图8.1 mask 9、彩色直方图均衡示例代码 10、直方图变换累计10.1 基本概念和作用10.2 示例代码 11、直方图对比11.1 基本概念和作用11.2 示例代码 1、灰度直方图
1.1 基本概念和作用 表示图像中每个灰度级别的像素数量。用于分析图像的亮度分布情况。 1.2 代码示例
参数介绍
hist cv2.calcHist(images, channels, mask, histSize, ranges, hist, accumulate)-images输入图像的列表。对于灰度图像它只包含一个元素即一幅图像。对于彩色图像通常会传入一个包含所有颜色通道的列表。
-channels指定要统计直方图的通道。对于灰度图像值为[0]对于彩色图像可以传入[0]、[1]、[2]分别表示蓝、绿、红通道。如果是彩色图像也可以同时统计多个通道例如[0, 1, 2]表示统计所有通道。
-mask可选参数用于指定计算直方图的区域。如果不需要指定区域传入None
-histSize指定直方图的大小即灰度级别的个数。对于灰度图像通常设置为256表示从0到255的灰度级别。对于彩色图像可以设置为256表示每个通道的灰度级别。
-ranges指定像素值的范围。通常为[0, 256]表示灰度级别的范围。对于彩色图像例如[0, 256, 0, 256, 0, 256]表示三个通道各自的范围。
-hist可选参数用于存储计算得到的直方图。如果不提供函数会返回直方图
-accumulate示例
import cv2
import matplotlib.pyplot as plt# 读取图像
image cv2.imread(../images/1.jpg, cv2.IMREAD_GRAYSCALE)# 计算灰度直方图
hist cv2.calcHist([image], [0], None, [256], [0, 256])# 显示原图
plt.subplot(2, 1, 1)
plt.imshow(image, cmapgray)
plt.title(Original Image)# 显示灰度直方图
plt.subplot(2, 1, 2)
plt.plot(hist)
plt.title(Grayscale Histogram)
plt.xlabel(Pixel Value)
plt.ylabel(Frequency)# 调整子图布局避免重叠
plt.tight_layout()# 显示图像和直方图
plt.show()2、BGR直方图
2.1 基本概念和作用 BGR直方图是一种用于可视化彩色图像中蓝色Blue、绿色Green和红色Red三个通道的像素值分布情况的工具。了解图像中颜色的分布情况。通过分析BGR直方图可以得知图像中某个颜色通道的强度从而更好地理解图像的颜色特性。 2.2 代码示例
import cv2
import matplotlib.pyplot as plt# 读取彩色图像
image cv2.imread(../images/2.jpg)# 分离通道
b, g, r cv2.split(image)# 计算各通道的直方图
hist_b cv2.calcHist([b], [0], None, [256], [0, 256])
hist_g cv2.calcHist([g], [0], None, [256], [0, 256])
hist_r cv2.calcHist([r], [0], None, [256], [0, 256])# 显示彩色图像
plt.subplot(2, 1, 1)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.title(Original Image)# 显示BGR直方图
plt.subplot(2, 1, 2)
plt.plot(hist_b, colorblue, labelBlue)
plt.plot(hist_g, colorgreen, labelGreen)
plt.plot(hist_r, colorred, labelRed)
plt.title(BGR Histogram)
plt.xlabel(Pixel Value)
plt.ylabel(Frequency)
plt.legend()# 调整子图布局避免重叠
plt.tight_layout()
# 显示图像和直方图
plt.show() 3、灰度直方图均衡
1. 基本概念和作用 用于增强图像对比度的技术通过调整图像中各个灰度级别的像素分布使得整个灰度范围更均匀地覆盖从而提高图像的视觉质量。这个过程可以使暗部和亮部细节更加清晰可见改善图像的视觉效果。 2. 代码示例
import cv2
import matplotlib.pyplot as plt# 读取灰度图像
image cv2.imread(../images/3.jpg, cv2.IMREAD_GRAYSCALE)# 进行灰度直方图均衡
equalized_image cv2.equalizeHist(image)# 显示原始灰度图像
plt.subplot(2, 1, 1)
plt.imshow(image, cmapgray)
plt.title(Original Grayscale Image)# 显示均衡后的灰度图像
plt.subplot(2, 1, 2)
plt.imshow(equalized_image, cmapgray)
plt.title(Equalized Grayscale Image)# 调整子图布局避免重叠
plt.tight_layout()# 显示图像
plt.show() 4、直方图变换查找
4.1 基本概念和作用 直方图变换也称为直方图查找是一种用于调整图像对比度的技术。它通过变换图像的灰度级别将原始图像的灰度分布均匀化使得图像中所有灰度级别的像素值分布更加平均。这样可以增强图像的对比度使细节更加突出提高图像的视觉质量。 直方图变换的核心思想是调整图像中各个灰度级别的像素值使得灰度值的分布更均匀从而实现对比度的增强。 4.2 代码示例
import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像
img cv2.imread(../images/4.jpg, cv2.IMREAD_GRAYSCALE)# 计算原始图像的直方图
hist cv2.calcHist([img], [0], None, [256], [0, 256])# 显示原始图像和直方图
plt.subplot(2, 2, 1), plt.imshow(img, cmapgray), plt.title(Original Image)
plt.subplot(2, 2, 2), plt.plot(hist), plt.title(Original Histogram)# 构建查找表每个像素值增加50
lookup_table np.arange(256, dtypenp.uint8)
lookup_table cv2.add(lookup_table, 50)# 应用查找表
transformed_img cv2.LUT(img, lookup_table)# 计算变换后图像的直方图
transformed_hist cv2.calcHist([transformed_img], [0], None, [256], [0, 256])# 显示变换后图像和直方图
plt.subplot(2, 2, 3), plt.imshow(transformed_img, cmapgray), plt.title(Transformed Image)
plt.subplot(2, 2, 4), plt.plot(transformed_hist), plt.title(Transformed Histogram)plt.show() 图片中每个像素都增加五十个像素的效果 5、直方图匹配
5.1 基本概念和作用 通过调整图像的像素值使其直方图匹配到另一图像的直方图以实现两者视觉特性的一致性。在图像配准、图像融合等应用 5.2 代码示例
import cv2
import matplotlib.pyplot as plt
import numpy as npdef hist_match(source, target):# 将源图像和目标图像转换为灰度图source_gray cv2.cvtColor(source, cv2.COLOR_BGR2GRAY)target_gray cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)# 计算源图像和目标图像的直方图source_hist cv2.calcHist([source_gray], [0], None, [256], [0, 256])target_hist cv2.calcHist([target_gray], [0], None, [256], [0, 256])# 直方图归一化cv2.normalize(source_hist, source_hist, 0, 255, cv2.NORM_MINMAX)cv2.normalize(target_hist, target_hist, 0, 255, cv2.NORM_MINMAX)# 计算累积分布函数CDFsource_cdf source_hist.cumsum()target_cdf target_hist.cumsum()# 映射源图像的像素值到目标图像的CDFmapping np.interp(source_cdf, target_cdf, range(256))# 应用映射到源图像matched_gray cv2.LUT(source_gray, mapping.astype(uint8))# 将灰度匹配的结果应用到RGB图像上matched_img source.copy()for i in range(3):matched_img[:, :, i] cv2.LUT(source[:, :, i], mapping.astype(uint8))return matched_img# 读取源图像和目标图像
source_img cv2.imread(../images/5-2.jpg)
target_img cv2.imread(../images/5-1.jpg)# 进行直方图匹配
matched_img hist_match(source_img, target_img)# 显示图像
plt.figure(figsize(12, 6))plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(source_img, cv2.COLOR_BGR2RGB)), plt.title(source (RGB))
plt.subplot(1, 3, 2), plt.imshow(cv2.cvtColor(target_img, cv2.COLOR_BGR2RGB)), plt.title(target (RGB))
plt.subplot(1, 3, 3), plt.imshow(cv2.cvtColor(matched_img, cv2.COLOR_BGR2RGB)), plt.title(result (RGB))plt.show() 6、直方图反向映射
6.1 基本概念和作用 通过调整图像的像素值使其直方图反向匹配到目标直方图从而实现对比度和亮度的调整。直方图模型去目标图像中寻找相似的特征对象 6.2 代码示例
import cv2
import matplotlib.pyplot as plt
import numpy as npdef hist_reverse_mapping(source, target):# 将源图像和目标图像转换为灰度图source_gray cv2.cvtColor(source, cv2.COLOR_BGR2GRAY)target_gray cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)# 计算源图像和目标图像的直方图source_hist cv2.calcHist([source_gray], [0], None, [256], [0, 256])target_hist cv2.calcHist([target_gray], [0], None, [256], [0, 256])# 直方图归一化cv2.normalize(source_hist, source_hist, 0, 1, cv2.NORM_MINMAX)cv2.normalize(target_hist, target_hist, 0, 1, cv2.NORM_MINMAX)# 计算反向映射mapping np.interp(np.linspace(0, 1, 256), target_hist.flatten(), np.arange(256))# 应用反向映射到源图像mapped_img cv2.LUT(source_gray, mapping.astype(uint8))# 将灰度映射的结果应用到RGB图像上mapped_color_img source.copy()for i in range(3):mapped_color_img[:, :, i] cv2.LUT(source[:, :, i], mapping.astype(uint8))return mapped_color_img# 读取源图像和目标图像
source_img cv2.imread(../images/5-2.jpg)
target_img cv2.imread(../images/5-1.jpg)# 进行直方图反向映射
mapped_img hist_reverse_mapping(source_img, target_img)# 显示图像
plt.figure(figsize(12, 6))plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(source_img, cv2.COLOR_BGR2RGB)), plt.title(source (RGB))
plt.subplot(1, 3, 2), plt.imshow(cv2.cvtColor(target_img, cv2.COLOR_BGR2RGB)), plt.title(target (RGB))
plt.subplot(1, 3, 3), plt.imshow(cv2.cvtColor(mapped_img, cv2.COLOR_BGR2RGB)), plt.title(resource (RGB))plt.show() 7、H-S直方图
7.1 基本概念和作用 用于表示图像颜色分布的直方图。它基于图像中每个像素的色调Hue和饱和度Saturation信息通过统计这两个颜色属性的分布情况形成直方图。H-S直方图是在颜色空间中对颜色特征进行可视化和分析的工具。应用于在颜色分析、图像检索和目标识别等 7.2 示例代码
import cv2
import numpy as np
import matplotlib.pyplot as pltdef compute_hs_histogram(image):# 将图像从BGR颜色空间转换为HSV颜色空间hsv_image cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 提取Hue和Saturation通道hue_channel hsv_image[:,:,0]saturation_channel hsv_image[:,:,1]# 计算Hue-Saturation直方图hs_histogram, _, _ np.histogram2d(hue_channel.flatten(), saturation_channel.flatten(), bins[180, 256], range[[0, 180], [0, 256]])# 归一化直方图hs_histogram / hs_histogram.sum()return hs_histogram# 读取图像
image cv2.imread(../images/4.jpg)# 计算H-S直方图
hs_histogram compute_hs_histogram(image)# 显示H-S直方图
plt.imshow(hs_histogram.T, cmapviridis, extent[0, 180, 0, 256], interpolationnearest)
plt.title(H-S Histogram)
# 色调
plt.xlabel(Hue)
# 饱和度
plt.ylabel(Saturation)
plt.colorbar()
plt.show() 8、自定义直方图
8.1 mask
# 1 导入库
import cv2
import matplotlib.pyplot as plt
import numpy as np# 2 方法显示图片
def show_image(image, title, pos):img_RGB image[:, :, ::-1] # BGR to RGBplt.title(title)plt.subplot(2, 2, pos)plt.imshow(img_RGB)# 3 方法显示灰度直方图
def show_histogram(hist, title, pos, color):plt.subplot(2, 2, pos)plt.title(title)plt.xlim([0, 256])plt.plot(hist, colorcolor)# 4 主函数
def main():# 5 创建画布plt.figure(figsize(12, 7))plt.suptitle(Gray Image and Histogram with mask, fontsize4, fontweightbold)# 6 读取图片并灰度转换计算直方图显示img_gray cv2.imread(../images/children.jpg, cv2.COLOR_BGR2GRAY) # 读取并进行灰度转换img_gray_hist cv2.calcHist([img_gray], [0], None, [256], [0, 256]) # 计算直方图show_image(img_gray, image gray, 1)show_histogram(img_gray_hist, image gray histogram, 2, m)# 7 创建mask计算位图直方图mask np.zeros(img_gray.shape[:2], np.uint8)mask[130:500, 600:1400] 255 # 获取mask并赋予颜色img_mask_hist cv2.calcHist([img_gray], [0], mask, [256], [0, 256]) # 计算mask的直方图# 8 通过位运算与预算计算带有mask的灰度图片mask_img cv2.bitwise_and(img_gray, img_gray, mask mask)# 9 显示带有mask的图片和直方图show_image(mask_img, gray image with mask, 3)show_histogram(img_mask_hist, histogram with masked gray image, 4, m)plt.show()
if __name__ __main__:main()9、彩色直方图均衡
示例代码
import cv2
import matplotlib.pyplot as plt
import numpy as np# 显示图片
def show_image(image, title, pos):plt.subplot(3, 2, pos)plt.title(title)image_RGB cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # BGR to RGBplt.imshow(image_RGB)plt.axis(off)# 显示彩色直方图 b, g, r
def show_histogram(hist, title, pos, color):plt.subplot(3, 2, pos)plt.title(title)plt.xlim([0, 256])for h, c in zip(hist, color): # color: (b, g, r)plt.plot(h, colorc)# 计算彩色直方图
def calc_color_hist(image):hist []hist.append(cv2.calcHist([image], [0], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [1], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [2], None, [256], [0, 256]))return hist# 彩色直方图均衡化
def color_histogram_equalization(image):# 将图像从BGR颜色空间转换为YUV颜色空间yuv_image cv2.cvtColor(image, cv2.COLOR_BGR2YUV)# 对亮度通道进行直方图均衡化yuv_image[:, :, 0] cv2.equalizeHist(yuv_image[:, :, 0])# 将图像从YUV颜色空间转换回BGR颜色空间equalized_image cv2.cvtColor(yuv_image, cv2.COLOR_YUV2BGR)return equalized_image# 主函数
def main():# 创建画布plt.figure(figsize(12, 8))plt.suptitle(Color Histogram and Equalization, fontsize14, fontweightbold)# 读取原图片img cv2.imread(../images/children.jpg)# 计算原始直方图img_hist calc_color_hist(img)# 显示原始图片和直方图show_image(img, RGB Image, 1)show_histogram(img_hist, RGB Image Hist, 2, (b, g, r))# 彩色直方图均衡化equalized_img color_histogram_equalization(img)equalized_img_hist calc_color_hist(equalized_img)# 显示均衡化后的图片和直方图show_image(equalized_img, Equalized Image, 3)show_histogram(equalized_img_hist, Equalized Image Hist, 4, (b, g, r))plt.show()if __name__ __main__:main() 10、直方图变换累计
10.1 基本概念和作用 对图像的像素值进行累积在直方图中累积表示了某个像素值及其以下的像素值的总和。 累积直方图可以用以下步骤来计算 -计算原始直方图直方图中每个 bin 的值。 -对原始直方图进行累加操作得到累积直方图。 10.2 示例代码
import cv2
import matplotlib.pyplot as plt
import numpy as np# 显示图片
def show_image(image, title, pos):plt.subplot(4, 2, pos)plt.title(title)image_RGB cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # BGR to RGBplt.imshow(image_RGB)plt.axis(off)# 显示彩色直方图 b, g, r
def show_histogram(hist, title, pos, color):plt.subplot(4, 2, pos)plt.title(title)plt.xlim([0, 256])for h, c in zip(hist, color): # color: (b, g, r)plt.plot(h, colorc)# 计算彩色直方图
def calc_color_hist(image):hist []hist.append(cv2.calcHist([image], [0], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [1], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [2], None, [256], [0, 256]))return hist# 计算累积直方图
def calc_cumulative_hist(hist):cumulative_hist [np.cumsum(channel_hist) for channel_hist in hist]return cumulative_hist# 主函数
def main():# 创建画布plt.figure(figsize(12, 16))plt.suptitle(Color Histogram, Equalization, and Cumulative Histogram, fontsize14, fontweightbold)# 读取原图片img cv2.imread(../images/children.jpg)# 计算原始直方图img_hist calc_color_hist(img)# 显示原始图片和直方图show_image(img, RGB Image, 1)show_histogram(img_hist, RGB Image Hist, 2, (b, g, r))# 计算并显示累积直方图cumulative_hist calc_cumulative_hist(img_hist)show_histogram(cumulative_hist, Cumulative Histogram, 4, (b, g, r))plt.show()if __name__ __main__:main() 11、直方图对比
11.1 基本概念和作用 比较两幅图像的直方图来评估它们相似性的方法。基本原理是比较图像的颜色或灰度分布。 11.2 示例代码 Histogram Compare Result: 0.8173332006305307
import cv2
import matplotlib.pyplot as plt
import numpy as np# 显示图片
def show_image(image, title, pos):plt.subplot(4, 2, pos)plt.title(title)image_RGB cv2.cvtColor(image, cv2.COLOR_BGR2RGB)plt.imshow(image_RGB)plt.axis(off)# 显示彩色直方图 b, g, r
def show_histogram(hist, title, pos, color):plt.subplot(4, 2, pos)plt.title(title)plt.xlim([0, 256])for h, c in zip(hist, color): # color: (b, g, r)plt.plot(h, colorc)# 计算彩色直方图
def calc_color_hist(image):hist []hist.append(cv2.calcHist([image], [0], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [1], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [2], None, [256], [0, 256]))return hist# 直方图比较
def histogram_compare(image1, image2):hist1 cv2.calcHist([image1], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256])hist2 cv2.calcHist([image2], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256])# 使用巴氏距离进行直方图比较result cv2.compareHist(hist1, hist2, cv2.HISTCMP_BHATTACHARYYA)return result# 主函数
def main():# 读取图片1img1 cv2.imread(../images/11-1.jpg)# 读取图片2img2 cv2.imread(../images/11-2.jpg)# 显示图片1show_image(img1, Image 1, 1)# 计算并显示图片1的直方图img1_hist calc_color_hist(img1)show_histogram(img1_hist, Image 1 Hist, 2, (b, g, r))# 显示图片2show_image(img2, Image 2, 5)# 计算并显示图片2的直方图img2_hist calc_color_hist(img2)show_histogram(img2_hist, Image 2 Hist, 6, (b, g, r))# 直方图比较hist_compare_result histogram_compare(img1, img2)print(fHistogram Compare Result: {hist_compare_result})plt.show()if __name__ __main__:main()
