百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 热门文章 > 正文

计算机视觉学习笔记6 图像直方图与直方图均衡化

bigegpt 2024-09-24 07:13 3 浏览

  • 图像的直方图

图像直方图表示图像中每一种像素的个数,反映了图像中每种像素值出现的频率,是图像的基本统计特征之一,具有平移,旋转,缩放不变性,广泛应用于图像处理的各个领域。比如灰度图像的阈值分割,基于颜色的图像检索,图像的分类等。直方图横坐标表示像素值,纵坐标表示该像素值的个数,常见的有灰度直方图和颜色直方图。

  • 直方图均衡化

直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法,可以用于图像增强等方面。比如在部分人脸识别的神经网络中,会先对人脸图像进行直方图均衡化,从而增强对比度,提高检测准确率。

MATLAB直方图均衡化

在MATLAB中,通过imhist()计算直方图,通过histeq()进行均衡化。

hist = imhist( img ); 
hist_eq = histeq( gray ,n ); % n表示均衡化后灰度级,默认64;

案例演示如下:

img = imread('onion.png');
subplot(2,2,1); imshow(img); % 显示原始图像
subplot(2,2,2); imhist(img(:,:,1)); % 显示r通道直方图
subplot(2,2,3); imhist(img(:,:,2)); % 显示g通道直方图
subplot(2,2,4); imhist(img(:,:,3)); % 显示b通道直方图

gray = rgb2gray(img);
gray2 = histeq(gray);
figure;
subplot(2,2,1); imshow(gray); % 显示原始灰度图
subplot(2,2,2); imshow(gray2); % 显示均衡化后的灰度图
subplot(2,2,3); imhist(gray); % 显示原始灰度图直方图
subplot(2,2,4); imhist(gray2); % 显示均衡化后直方图

均衡化后像素点分布变得平均,不会聚集在某一区域,因此对比度更强。

c++直方图均衡化

c++中通过calHist来获取直方图分量,通过equalizeHist进行直方图均衡化

opencv 默认的均衡化灰度级数为8

// 输入的图像或数组 输入数组个数 需要统计的通道dim 可选的操作掩码 每个维度的直方图尺寸的数组 每个维度中bin的取值范围
calcHist(&bgr_plane[0], 1, 0, Mat(), b_hist, 1, bins, ranges);
 equalizeHist(gray, gray2); // 直方图均衡化

c++直方图均衡化很方便,但是统计直方图有点麻烦,不知道是我方法没用对还是咋的。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

void showHistogram(Mat &img); // 方法声明

int main(int argc, char** argv) {
 Mat img;
 img = imread("data/imdata/onion.png");

 namedWindow("image", WINDOW_AUTOSIZE);
 imshow("image", img);
 showHistogram(img);
 Mat gray, gray2;
 cvtColor(img, gray, COLOR_BGR2GRAY);
 imshow("灰度图像", gray);
 equalizeHist(gray, gray2);
 imshow("灰度均衡化", gray2);
 waitKey(0);
 return 0;
}

void showHistogram(Mat &img) {
 vector<Mat> bgr_plane;
 split(img, bgr_plane);// 三通道分离
 // 定义参数变量
 const int bins[1] = { 256 };
 float hranges[2] = { 0,255 };
 const float* ranges[1] = { hranges };
 Mat b_hist;
 Mat g_hist;
 Mat r_hist;
 // 计算Blue, Green, Red 通道直方图
 // 输入的图像或数组 输入数组个数 需要统计的通道dim 可选的操作掩码 每个维度的直方图尺寸的数组 每个维度中bin的取值范围
 calcHist(&bgr_plane[0], 1, 0, Mat(), b_hist, 1, bins, ranges);
 calcHist(&bgr_plane[1], 1, 0, Mat(), g_hist, 1, bins, ranges);
 calcHist(&bgr_plane[2], 1, 0, Mat(), r_hist, 1, bins, ranges);
 // 图像框尺寸
 int hist_w = 512;
 int hist_h = 400;
 int bin_w = cvRound((double)hist_w / bins[0]);
 Mat histImage = Mat::zeros(hist_h, hist_w, CV_8UC3);
 // 绘制三种颜色直方图
 for (int i = 1; i < bins[0]; i++) {
 line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(b_hist.at<float>(i - 1))),
 Point(bin_w*(i), hist_h - cvRound(b_hist.at<float>(i))), Scalar(255, 0, 0), 2, 8, 0);
 line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(g_hist.at<float>(i - 1))),
 Point(bin_w*(i), hist_h - cvRound(g_hist.at<float>(i))), Scalar(0, 255, 0), 2, 8, 0);
 line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(r_hist.at<float>(i - 1))),
 Point(bin_w*(i), hist_h - cvRound(r_hist.at<float>(i))), Scalar(0, 0, 255), 2, 8, 0);
 }
 // 图像绘制
 namedWindow("Histogram Demo", WINDOW_AUTOSIZE);
 imshow("Histogram Demo", histImage);
}

这里的方法设置了三个通道,因此用来读取彩色图直方图,要是读取灰度图直方图,删掉两个通道就行。

绘制的颜色折线图和MATLAB一致

python直方图均衡化

python和c++代码差不多,毕竟都是调用的OpenCV,因此演示一下如何通过读取像素获得直方图

python中通过cv.calHist来获取直方图分量,通过cv.equalizeHist进行直方图均衡化

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

# 演示如何通过读取像素获得直方图
def custom_hist(gray):
 h, w = gray.shape
 hist = np.zeros([256], dtype=np.int32)
 for row in range(h):
 for col in range(w):
 pv = gray[row, col] # 原理就是遍历图片像素,每读取一个像素就在对应位置加1
 hist[pv] += 1
 y_pos = np.arange(0, 256, 1, dtype=np.int32)
 plt.bar(y_pos, hist, align='center', color='r', alpha=0.5)
 plt.xticks(y_pos, y_pos)
 plt.ylabel('Frequency')
 plt.title('Histogram')
 plt.show()

img = cv.imread("data/imdata/onion.png")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 彩色图像转灰度图
cv.imshow("gray", gray)

gray2 = cv.equalizeHist(gray) # 直方图均衡化
cv.imshow("gray_equalize", gray2)
custom_hist(gray) # 绘制直方图
custom_hist(gray2)
cv.waitKey(0)
cv.destroyAllWindows()

均衡化后图像同c++,和MATLAB相比,因为级数少,因此像素波动略大。

相关推荐

C#.NET Autofac 详解(c# autoit)

简介Autofac是一个成熟的、功能丰富的.NET依赖注入(DI)容器。相比于内置容器,它额外提供:模块化注册、装饰器(Decorator)、拦截器(Interceptor)、强o的属性/方法注...

webapi 全流程(webapi怎么部署)

C#中的WebAPIMinimalApi没有控制器,普通api有控制器,MinimalApi是直达型,精简了很多中间代码,广泛适用于微服务架构MinimalApi一切都在组控制台应用程序类【Progr...

.NET外挂系列:3. 了解 harmony 中灵活的纯手工注入方式

一:背景1.讲故事上一篇我们讲到了注解特性,harmony在内部提供了20个HarmonyPatch重载方法尽可能的让大家满足业务开发,那时候我也说了,特性虽然简单粗暴,但只能解决95%...

C# 使用SemanticKernel调用本地大模型deepseek

一、先使用ollama部署好deepseek大模型。具体部署请看前面的头条使用ollama进行本地化部署deepseek大模型二、创建一个空的控制台dotnetnewconsole//添加依赖...

C#.NET 中间件详解(.net core中间件use和run)

简介中间件(Middleware)是ASP.NETCore的核心组件,用于处理HTTP请求和响应的管道机制。它是基于管道模型的轻量级、模块化设计,允许开发者在请求处理过程中插入自定义逻辑。...

IoC 自动注入:让依赖注册不再重复劳动

在ASP.NETCore中,IoC(控制反转)功能通过依赖注入(DI)实现。ASP.NETCore有一个内置的依赖注入容器,可以自动完成依赖注入。我们可以结合反射、特性或程序集扫描来实现自动...

C#.NET 依赖注入详解(c#依赖注入的三种方式)

简介在C#.NET中,依赖注入(DependencyInjection,简称DI)是一种设计模式,用于实现控制反转(InversionofControl,IoC),以降低代码耦合、提高可...

C#从零开始实现一个特性的自动注入功能

在现代软件开发中,依赖注入(DependencyInjection,DI)是实现松耦合、模块化和可测试代码的一个重要实践。C#提供了优秀的DI容器,如ASP.NETCore中自带的Micr...

C#.NET 仓储模式详解(c#仓库货物管理系统)

简介仓储模式(RepositoryPattern)是一种数据访问抽象模式,它在领域模型和数据访问层之间创建了一个隔离层,使得领域模型无需直接与数据访问逻辑交互。仓储模式的核心思想是将数据访问逻辑封装...

C#.NET 泛型详解(c# 泛型 滥用)

简介泛型(Generics)是指在类型或方法定义时使用类型参数,以实现类型安全、可重用和高性能的数据结构与算法为什么需要泛型类型安全防止“装箱/拆箱”带来的性能损耗,并在编译时检测类型错误。可重用同一...

数据分析-相关性分析(相关性 分析)

相关性分析是一种统计方法,用于衡量两个或多个变量之间的关系强度和方向。它通过计算相关系数来量化变量间的线性关系,从而帮助理解变量之间的相互影响。相关性分析常用于数据探索和假设检验,是数据分析和统计建模...

geom_smooth()函数-R语言ggplot2快速入门18

在每节,先运行以下这几行程序。library(ggplot2)library(ggpubr)library(ggtext)#用于个性化图表library(dplyr)#用于数据处理p...

规范申报易错要素解析(规范申报易错要素解析)

为什么要规范申报?规范申报是以满足海关监管、征税、统计等工作为目的,纳税义务人及其代理人依法向海关如实申报的行为,也是海关审接单环节依法监管的重要工作。企业申报的内容须符合《中华人民共和国海关进出口货...

「Eurora」海关编码归类 全球海关编码查询 关务服务

  海关编码是什么?  海关编码即HS编码,为编码协调制度的简称。  其全称为《商品名称及编码协调制度的国际公约》(InternationalConventionforHarmonizedCo...

9月1日起,河南省税务部门对豆制品加工业试行新政7类豆制品均适用投入产出法

全媒体记者杨晓川报道9月2日,记者从税务部门获悉,为减轻纳税人税收负担,完善农产品增值税进项税额抵扣机制,根据相关规定,结合我省实际情况,经广泛调查研究和征求意见,从9月1日起,我省税务部门对豆制品...