ヒストグラム
画像内の各画素の値の統計：
＃画像の各チャンネルのヒストグラムを描画 DEFのdraw_hist（IMG）を： カラー =（' B '、' G '、' R＆LTを' ） のための I、COL に列挙（カラー）： HIST = cv.calcHist（[IMG] [I]、[なし]、[256]、[0、256 ]） ＃プリント（hist.shape） plt.plot（HIST、カラー= COL） plt.xlim（[0、 256 ]） plt.show（）
ヒストグラムは、マスクを使用して計算されている場合：
＃マスク使用 DEFの：draw_hist_with_mask（IMG） マスク = np.zeros（img.shapeの[2 ]、np.uint8） マスク[ 50：200、100：350] = 255 cv.imshow（' マスク' 、マスク） ＃の変換マスクタイプブール bi_mask =（マスク== 255 ） ＃マスクが画像に適用される cv.imshow（' マスクIMG '、IMG * bi_maskの[：、：、np.newaxis]） カラー（= ' B '、' G '、' R＆LT ' ） のために I、COL列挙（カラー）： ＃は、マスク内の画素のヒストグラムのみをカウントする、マスクを使用して、 HIST = cv.calcHist（[IMG]、[I]、マスク、[256]、[0、256 ]） ＃の印刷（HIST。形状） plt.plot（HIST、カラー= COL） plt.xlim（[0、 256 ]） plt.show（）
ヒストグラムイコライゼーション：
＃直方图均衡 DEF equal_hist（画像）： 画像 = cv.cvtColor（画像、cv.COLOR_RGB2GRAY） EQU = cv.equalizeHist（画像） plt.hist（image.ravel（）、 256 ） plt.hist（equ.ravel（ ）、 256 ） plt.show（）
原画像のヒストグラム等化のヒストグラムオレンジ部、イコライザ前後効果の青色部分以下に示すように：
CLAHE（適応ヒストグラム等化コントラストの制限）：
# 自适应直方图均衡化 def CLAHE_proc(image): 'CLAHE:限制对比度自适应直方图均衡' # 先转换为灰度图像 image = cv.cvtColor(image, cv.COLOR_RGB2GRAY) # 创建CLAHE分块 clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # 执行CLAHE均衡化 res_clahe = clahe.apply(image) cv.imshow('res_clahe', res_clahe) # 对比普通均衡化 equ = cv.equalizeHist(image) cv.imshow('equ', equ)
左图为CLAHE效果，右图为普通均衡化效果。CLAHE可以减少过爆或过暗，因为他不是基于整张图片来均衡。
二、傅里叶变换
通过傅里叶变换，我们可以将图像从空间域转换到频率域，然后在频率域中对其进行滤波，主要有高通滤波和低通滤波。
概念：
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
高通滤波器：只保留高频，过滤出边界
低通滤波器：只保留低频，使图像变模糊
空间域转频率域：
# 将图像从空间域转换为频率域 def fourier_trans(img): # 使用灰度图像 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY) # uint8转换为float32 img_float32 = np.float32(img) # 傅里叶转换为复数 dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT) # 将低频从左上角转换到中心 dft_shift = np.fft.fftshift(dft) # 转换为可以显示的图片（频谱图） magnitude_spectrum = 20 * np.log(cv.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) # 使用plt展示原图的灰度图 plt.subplot(121) plt.imshow(img, cmap='gray') plt.title('Input Image') plt.xticks([]) plt.yticks([]) # 展示频谱图 plt.subplot(122) plt.imshow(magnitude_spectrum, cmap='gray') plt.title('magnitude_spectrum') plt.xticks([]) plt.yticks([]) plt.show()
频率域转回空间域（并实验低通和高通滤波）：
低频滤波：
# 从频率域转换回空间域（并使用低通滤波） def fourier_trans_back(img): # 使用灰度图像 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY) # uint8转换为float32 img_float32 = np.float32(img) # 傅里叶转换为复数 dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT) # 将低频从左上角转换到中心 dft_shift = np.fft.fftshift(dft) # 在这里进行低通滤波 rows, cols = img.shape c_row, c_col = int(rows / 2), int(cols / 2) mask_low = np.zeros_like(dft_shift, np.uint8) mask_low[c_row - 30:c_row + 30, c_col - 50:c_col + 50] = 1 # 使用低通滤波 fshift_low = dft_shift * mask_low # 转换为可以显示的图片（fshift_low），fshift_low中包含实部和虚部 magnitude_spectrum_low = 20 * np.log(cv.magnitude(fshift_low[:, :, 0], fshift_low[:, :, 1])) f_ishift_low = np.fft.ifftshift(fshift_low) img_back_low = cv.idft(f_ishift_low) img_back_low = cv.magnitude(img_back_low[:, :, 0], img_back_low[:, :, 1]) # 使用plt低通滤波后的图像 plt.subplot(121) plt.imshow(img_back_low, cmap='gray') plt.title('Output Image') plt.xticks([]) plt.yticks([]) # 展示低通滤波后的频谱图 plt.subplot(122) plt.imshow(magnitude_spectrum_low, cmap='gray') plt.title('magnitude_spectrum') plt.xticks([]) plt.yticks([]) plt.show()
高频滤波：
# 从频率域转换回空间域（并使用高通滤波） def fourier_trans_back(img): # 使用灰度图像 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY) # uint8转换为float32 img_float32 = np.float32(img) # 傅里叶转换为复数 dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT) # 将低频从左上角转换到中心 dft_shift = np.fft.fftshift(dft) # 在这里进行高通滤波 rows, cols = img.shape c_row, c_col = int(rows / 2), int(cols / 2) mask_high = np.ones_like(dft_shift, np.uint8) mask_high[c_row - 30:c_row + 30, c_col - 50:c_col + 50] = 0 # 使用高通滤波 fshift_high = dft_shift * mask_high # 转换为可以显示的图片（fshift_high），fshift_high中包含实部和虚部 magnitude_spectrum_high = 20 * np.log(cv.magnitude(fshift_high[:, :, 0], fshift_high[:, :, 1])) f_ishift_high = np.fft.ifftshift(fshift_high) img_back_high = cv.idft(f_ishift_high) img_back_high = cv.magnitude(img_back_high[:, :, 0], img_back_high[:, :, 1]) # 使用plt高通滤波后的图像 plt.subplot(121) plt.imshow(img_back_high, cmap='gray') plt.title('Output Image') plt.xticks([]) plt.yticks([]) # 展示高通滤波后的频谱图 plt.subplot(122) plt.imshow(magnitude_spectrum_high, cmap='gray') plt.title('magnitude_spectrum') plt.xticks([]) plt.yticks([]) plt.show()
