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...
- 一周热门
- 最近发表
- 标签列表
-
- mybatiscollection (79)
- mqtt服务器 (88)
- keyerror (78)
- c#map (65)
- xftp6 (83)
- bt搜索 (75)
- c#var (76)
- xcode-select (66)
- mysql授权 (74)
- 下载测试 (70)
- linuxlink (65)
- pythonwget (67)
- androidinclude (65)
- libcrypto.so (74)
- linux安装minio (74)
- ubuntuunzip (67)
- vscode使用技巧 (83)
- secure-file-priv (67)
- vue阻止冒泡 (67)
- jquery跨域 (68)
- php写入文件 (73)
- kafkatools (66)
- mysql导出数据库 (66)
- jquery鼠标移入移出 (71)
- 取小数点后两位的函数 (73)