Yongxing notes 2 -OpenCV-7 histogram histogram equalization, image masking, image normalization, the histogram backprojection

First, the histogram equalization:

1. What is the histogram equalization:

Histogram equalization is a method of using the image field of image processing for adjusting the contrast histogram.

• Contrast refers to the measurement of different brightness levels of light and dark areas in an image between the brightest and the darkest black and white, the greater the difference in range represents a higher contrast, the smaller the difference the smaller the range representative of comparison, a good contrast ratio 120 : 1 can be easily displayed vivid, rich color, when the ratio up to 300: 1, can support the color of each floor.
  Contrast is the ratio of black and white pictures, i.e. from black to white gradation level. The larger the ratio, the more gradual change from black to white level, thus richer color performance. Affect the contrast of the visual effects is critical, in general, the greater the contrast, the sharper the image eye-catching, bright colors are more vivid; and the contrast is small, then let the whole picture are gray.
• Histogram equalization histogram do is get a uniform distribution in the range of 0 to 255 as much as possible under normal circumstances.

2, histogram equalization effect:

• This method is usually used to increase the contrast of the overall number of images, especially when the contrast of the image data is useful in fairly close time. In this way, the brightness can be better distributed on the histogram. This can be used to enhance the local contrast without affecting the overall contrast, histogram equalization to achieve this function effectively extended conventional luminance.
• Such methods are too bright or too dark for the background and foreground image is very useful, especially in this way can bring a better X-ray images show bone structure and overexposed or underexposed photographs in better detail. A major advantage of this approach is that it is a fairly straightforward technique and is a reversible operation, if the equalization function is known, then you can restore the original histogram, and calculates the amount is not large. One disadvantage of this method is that its data processing indiscriminately, it may increase the contrast and reduces the contrast of the background noise of the useful signal.

3, histogram equalization:
cv2.equalizeHist (the src, DST = None)

• src original image

import cv2
img = cv2.imread("equalize.png",0)
equalize = cv2.equalizeHist(img)
cv2.imshow("equalize",equalize)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()

Second, the image mask:

1. What is image masking?

• 在半导体制造中，许多芯片工艺步骤采用光刻技术，“底片”称为掩膜（也称作“掩模”），其作用是：在硅片上选定的区域中对一个不透明的图形模板遮盖，继而下面的腐蚀或扩散将只影响选定的区域以外的区域。
• 图像掩膜与其类似，用选定的图像、图形或物体，对处理的图像（全部或局部）进行遮挡，来控制图像处理的区域或处理过程。

2、图像掩膜有哪些作用？
用选定的图像、图形或物体，对待处理的图像（局部或全部）进行遮挡来控制图像处理的区域或处理过程。掩模本质上为二维矩阵数组，图像掩模主要用于：

• 提取感兴趣区：用预先制作的感兴趣区掩膜与待处理图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0；
• 屏蔽作用：用掩膜对图像上某些区域作屏蔽，使其不参加处理或不参加处理参数的计算，或仅对屏蔽区作处理或统计；
• 结构特征提取：用相似性变量或图像匹配方法检测和提取图像中与掩膜相似的结构特征；
• 特殊形状图像的制作
• 掩膜就是两幅图像之间进行的各种位运算操作（简单了解）
  
  
  

3、如何使用掩膜：
绘制多边形：
cv2.polylines(img, pts, isClosed, color, thickness=None, lineType=None, shift=None)

任意形状填充：
cv2.fillPoly(img, pts, color, lineType=None, shift=None, offset=None)

• img : 原图像
• pts ：多维数组
• color ：边框颜色
• lineType: 线的类型
• shift ：线的类型
• offset : 所有点的偏移量

获取指定形状和尺寸的结构元素:
cv2.getStructuringElement(shape, ksize, anchor=None)

• shape:形状

shape	形状
MORPH_RECT	矩形
MORPH_CROSS	十字形
MORPH_ELLIPSE	椭圆形

• ksize:大小
• anchor：锚点的位置，默认值Point（-1,-1），表示锚点位于中心点

调整窗口大小：
namedWindow(winname, flags=None)

• winname : 窗口名
• flags：模式

flags	模式效果
cv2.WINDOW_NORMAL	窗口大小可改变
cv2.WINDOW_AUTOSIZE	窗口大小不可改变
cv2.WINDOW_FREERATIO	自适应比例
cv2.WINDOW_KEEPRATIO	保持比例

与操作：
cv2.bitwise_and()是对二进制数据进行“与”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0

或操作：
cv2.bitwise_or（）是对二进制数据进行“或”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“或”操作，1|1=1，1|0=1，0|1=1，0|0=0

#非运算，非0为1, 非1为0
bitwiseNot = cv2.bitwise_not(circle)

#异或运算，不同为1, 相同为0
bitwiseXor = cv2.bitwise_xor(rectangle, circle)

import numpy as np
import cv2
image = cv2.imread("first.jpg")  # 读图
# 输入图像是RGB图像，故构造一个三维数组，四个二维数组是mask四个点的坐标，
site = np.array([[[600, 400], [350, 400], [150, 5], [400, 5]]], dtype=np.int32)
im = np.zeros(image.shape[:2], dtype="uint8")  # 生成image大小的全黑图
cv2.polylines(image, site, 1, 255)  # 在image上画site大小的线，1表示线段闭合，255表示线段颜色
cv2.fillPoly(im, site, 255)  # 在im的site区域，填充颜色为255
mask = im
cv2.namedWindow('Mask', cv2.WINDOW_NORMAL)  # 可调整窗口大小，不加这句不可调整
cv2.imshow("Mask", mask)
masked = cv2.bitwise_and(image, image, mask=mask)  # 在模板mask上，将image和image做“与”操作
cv2.namedWindow('Mask to Image', cv2.WINDOW_NORMAL)  # 同上
cv2.imshow("Mask to Image", masked)
cv2.imshow("Oringinal", image) #显示原图
cv2.waitKey(0)  # 图像一直显示，键盘按任意键即可关闭窗口
cv2.destroyAllWindows()

三、图像归一化：

1、什么是图像归一化？

• 图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。

2、为什么要图像归一化？

• 原始图像在经历一些处理或攻击后可以得到多种副本图像，这些图像在经过相同参数的图像归一化处理后能够得到相同形式的标准图像。

3、使用图像归一化：
cv2.normalize(src, dst, alpha=None, beta=None, norm_type=None, dtype=None, mask=None)

• src: 原图像
• dst: 输出图像
• alpha: 较低的范围边界（下边界）
• bate：较高的范围边界（上边界）不用于norm normalization(范数归一化)模式。
• norm_type: 归一化类型

type	描述
NORM_MINMAX	数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用
NORM_INF	归一化数组的C-范数(绝对值的最大值)
NORM_L1	归一化数组的L1-范数(绝对值的和)
NORM_L2	归一化数组的(欧几里德)L2-范数

• dtype: dtype为负数时，输出数组的type与输入数组的type相同 (一般为uint8)
• mask: 图像掩膜

四、直方图的反向投影：

1、什么是直方图的反向投影？

• 实际上是将图像的256个灰度值 置为 很少的几个值了，具体有几个值，要看把0~255划分为多少个区间！反向投影中某点的值就是它对应的原图像中的点所在区间的灰度直方图值。所以，一个区间点越多，在反向投影矩阵中就越亮。
• 反向投影中的“反向”指的是从直方图值到反向投影矩阵映射的过程。

2、反向投影的作用是什么？

• 通过反向投影，原始的图像被简化了，而这个简化的过程实际上就是提取出图像的某个特征。所以我们就可以用这个特征来对比两幅图，如果两幅图的反向投影矩阵相似或相同，那么我们就可以判定这两幅图这个特征是相同的。
• 反向投影可以用来做图像分割，或寻找感兴趣区间。它会输出与输入图像大小相同的图像，每一个像素值代表了输入图像上对应点属于目标对象的概率，简言之，输出图像中像素值越高（越白））的点越可能代表想要查找的目标（在输入图像所在的位置）。

3, using a reverse projection:
generally required before a normalized backprojection, in order to ensure the effect of back-projection.
cv2.calcBackProject (images, channels, hist, ranges, scale, dst = None)

• images: image input
• channels: the number of channels to be calculated
• hist: Histogram input
• scale: output of the inverse projection scale factor (typically 1)
• dst: Output image

BGR:

import cv2
import matplotlib.pyplot as plt
imgBack = None
img = cv2.imread("first.jpg")
cv2.normalize(img,img,0,255,cv2.NORM_MINMAX) #归一化
for i in range(img.shape[-1]):
    imgHist = cv2.calcHist([img], [i],None,[256],[0,256]) #计算直方图
    plt.plot(imgHist),plt.title("imgHist")
    imgBack = cv2.calcBackProject([img],[i],imgHist,[0,180,0,256],1)  #计算反向投影
plt.show()
cv2.imshow("Back",imgBack)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()

HSV:

import cv2
import matplotlib.pyplot as plt
imgBack = None
img = cv2.imread("first.jpg")
SHVImg = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#cv2.normalize(img,img,0,255,cv2.NORM_MINMAX) #归一化
for i in range(SHVImg.shape[-1]):
    imgHist = cv2.calcHist([SHVImg], [i],None,[256],[0,256]) #计算直方图
    plt.plot(imgHist),plt.title("imgHist")
    imgBack = cv2.calcBackProject([SHVImg],[i],imgHist,[0,180,0,256],1)  #计算反向投影
plt.show()
cv2.imshow("Back",imgBack)
cv2.imshow("img",SHVImg)
cv2.waitKey()
cv2.destroyAllWindows()

Exercise 7.2
using the mask, draw a histogram head photos of favorite characters, and displays artwork and head back projection

Comment out your answer