图像处理工具——灰度直方图
灰度直方图时图像灰度级的函数，用来描述每个灰度级在图像矩阵中的像素个数或者占有率。
例子：矩阵
图片来自网络，侵删！
上面图片的灰度直方图
python实现
#!usr/bin/env python #-*- coding:utf-8 _*- """ @author:Sui yue @describe: 灰度直方图，描述每个灰度级在图像矩阵中的像素个数或者占有率 @time: 2019/09/15 """ import sys import cv2 import numpy as np import matplotlib.pyplot as plt #对于8位图，图像的灰度级范围式0~255之间的整数，通过定义函数来计算直方图 def calcGrayHist(image): #灰度图像矩阵的高、宽 rows,cols = image.shape #存储灰度直方图 grayHist=np.zeros([256],np.uint64) for r in range(rows): for c in range(cols): grayHist[image[r][c]] +=1 return grayHist #主函数 if __name__=="__main__": #第一个参数式图片地址，你只需放上你的图片就可 image = cv2.imread('../images/test3.jpg',cv2.IMREAD_GRAYSCALE) cv2.imshow("image",image) print("Usge:python histogram.py imageFile") #计算灰度直方图 grayHist=calcGrayHist(image) #画出灰度直方图 x_range=range(256) plt.plot(x_range,grayHist,'r',linewidth=2,c='black') #设置坐标轴的范围 y_maxValue=np.max(grayHist) plt.axis([0,255,y_maxValue]) plt.ylabel('gray level') plt.ylabel("number or pixels") # 显示灰度直方图 plt.show() cv2.waitKeyEx(0)
结果
线性变换
假设输入图像为I，宽W、高为H，输出图像为O,图像的线性变换可以利用以下公式：
a的改变影响图像的对比度，b的改变影响图像的亮度
线性变换python实现
#!usr/bin/env python3 #-*- coding:utf-8 -*- #-------------------------- """ @author:Sui yue @describe: 对比增强，线性变换 @time: 2019/09/15 14:21:44 """ import sys import numpy as np import cv2 import matplotlib.pyplot as plt #主函数 def calcGrayHist(image): #灰度图像矩阵的高、宽 rows,np.uint64) for r in range(rows): for c in range(cols): grayHist[image[r][c]] +=1 # 显示灰度直方图 # 画出灰度直方图 x_range = range(256) plt.plot(x_range,c='black') # 设置坐标轴的范围 y_maxValue = np.max(grayHist) plt.axis([0,y_maxValue]) plt.ylabel('gray level') plt.ylabel("number or pixels") # 显示灰度直方图 plt.show() if __name__=="__main__": # 读图像 I = cv2.imread('../images/test3.jpg',cv2.IMREAD_GRAYSCALE) #线性变换 a=3 O=float(a)*I #进行数据截断，大于255 的值要截断为255 O[0>255]=255 #数据类型转换 O=np.round(O) #uint8类型 O=O.astype(np.uint8) #显示原图和线性变换后的效果 cv2.imshow("I",I) cv2.imshow("O",O) calcGrayHist(I) calcGrayHist(O) cv2.waitKey(0) cv2.destroyAllWindows()
线性变换结果
灰度直方图
直方图正规化
假设输入图像为I，宽W、高为H，I（r,c）I（r,c）代表I的第r行第c列的灰度值，将I中出现的最小灰度级记为IminI_{min}Imin,最大灰度级记为ImaxI_{max}Imax,I（r,c）∈[Imin,Imax]I（r,c）\in [I_{min},I_{max}]I（r,c）∈[Imin,Imax],为使输出图像O的灰度级范围为 [Omin,Omax][O_{min},O_{max}][Omin,Omax],c）和O（r,c）O（r,c）做以下映射关系：
其中0≤r<H,0≤c<W\quad0\le r \lt H,0\le c \lt W0≤r<H,0≤c<W,O(r,c)O(r,c)代表O的第r行和第c列的灰度值。这个过程就是常称的直方图正规化。因为0≤I(r,c)−IminImax−Imin≤10 \le\frac{I(r,c)-I_{min}}{I_{max}-I_{min}} \le 10≤Imax−IminI(r,c)−Imin≤1,所以O(r,c)∈[Omin,Omax]O(r,c) \in [O_{min},O_{max}]O(r,c)∈[Omin,一般令Omin=0O_{min}=0Omin=0,Omax=255O_{max}=255Omax=255。显然，直方图正规化使一种自动选取a和b的值的线性变换方法，其中
直方图正规化python实现
#!usr/bin/env python3
#-*- coding:utf-8 -*-
#--------------------------
"""
@author:Sui yue
@describe: 直方图正规化
@time: 2019/09/18 21:17:22
"""
import cv2
import numpy as np
import matplotlib.pyplot as plt
import sys
def calcGrayHist(image):
#灰度图像矩阵的高、宽
rows,y_maxValue])
plt.ylabel('gray level')
plt.ylabel("number or pixels")
# 显示灰度直方图
plt.show()
#主函数
if __name__ == '__main__':
#读入图像
I = cv2.imread('../images/test3.jpg',cv2.IMREAD_GRAYSCALE)
#求I的最大值，最小值
Imax=np.max(I)
Imin=np.min(I)
#要输出的最小灰度级和最大灰度级
Omax,Omin=255,0
#计算a和b的值,测试出*4 能看到人脸
a=float(Omax-Omin)/(Imax-Imin)
b=Omin-a*Imin
#矩阵的线性变换
O=a*I+b
#数据类型转换
O=O.astype(np.uint8)
#显示原图和直方图正规化的效果
cv2.imshow("I",O)
calcGrayHist(O)
cv2.waitKey(0)
cv2.destroyAllWindows()
直方图正规化结果
伽马变换
假设输入图像为I，宽W、高为H，首先将其灰度值归一化到[0,1][0,1]范围，对于8位图来说，除以255即可。I(r,c)I(r,c)代表归一化后的第r行第c列的灰度值，为使输出图像O ，伽马变换就是令O(r,c)=I(r,c)γ,0≤r<H,0≤c<WO(r,c)^\gamma,\quad0\le r \lt H,0\le c \lt WO(r,0≤c<W，如下图所示：
当γ=1\gamma=1γ=1时，图像不变。如果图像整体或者感兴趣区域较暗，则令0≤γ<10\le \gamma \lt 10≤γ<1可以增加图像对比度；相反图像整体或者感兴趣区域较亮，则令γ>1\gamma \gt 1γ>1可以降低图像对比度。
伽马变换python实现
#!usr/bin/env python3 #-*- coding:utf-8 -*- #-------------------------- """ @author:Sui yue @describe: 对比增强 伽马变换 @time: 2019/09/18 22:22:51 """ import cv2 import numpy as np import sys #主函数 if __name__ == '__main__': I = cv2.imread('../images/test3.jpg',cv2.IMREAD_GRAYSCALE) #图像归一化 fI=I/255.0 #伽马变换 gamma=0.3 O=np.power(fI,gamma) #显示原图和伽马变换 cv2.imshow("I",I) cv2.imshow("O",O) cv2.waitKey() cv2.destroyAllWindows()
伽马变换结果
原文链接：https://www.f2er.com/python/526720.html