Python 숙제: 히스토그램, 균등화, 가우스 필터링

Python 히스토그램, 균등화, 가우스 필터

• 원본 이미지 테스트
• Histogram
• • 기본 원리
  • matplotlib 라이브러리를 사용하여 히스토그램을 그리는 방법
  • RGB 3채널 히스토그램
• 직사각형 그래프 균등화
• • 기본 원리
  • PCV 라이브러리가 히스토그램 평준화를 완료합니다
• 가우스 필터
• • 기본 원리

  • opencv 가우스 필터 구현

(무료 학습 추천: python 비디오 튜토리얼 )

원본 이미지 테스트

Histogram

기본 원리

히스토그램이란 무엇입니까? : hist 이미지의 그램은 이미지를 설명합니다. 회색과 회색 사이의 관계 히스토그램, 이미지 분할, 검색, 분류 및 기타 작업을 통해 레벨 및 해당 회색 레벨이 이미지에 나타나는 횟수(빈도)를 수행할 수 있습니다.

matplotlib 라이브러리의 hist 함수: hist 함수 히스토그램 그림을 그리는 데 도움이 될 수 있습니다. 여기에는 많은 매개변수가 있으며 여기서는 처음 두 매개변수인 x, bins가 사용됩니다. x 매개변수는 픽셀의 1차원 배열을 나타냅니다. 배열이 2차원 이상인 경우 병합 방법을 사용하여 1차원으로 병합할 수 있습니다. 일반적으로 그림을 읽는 것은 병합이 필요한 2차원 행렬입니다. bins 매개변수는 히스토그램을 표시할 열 수를 나타냅니다.

2차원 배열 img=[[159,120,130],[100,84,92],[168,150,212]]가 있다고 가정합니다. 숫자는 이미지의 픽셀 값을 나타냅니다. img=[159,120,130,100,84,92,168,150,212] hist 함수를 사용하여 그린 히스토그램은 다음과 같습니다. 가로 축은 픽셀 값을 나타내고 세로 축은 픽셀 값의 발생 빈도를 나타냅니다. opencv에서 제공하는

cv2.calcHist()는 히스토그램을 그립니다: calcHist 함수는 읽은 이미지 이미지를 전달해야 합니다. 이미지의 채널(그렇다면 회색조 이미지 채널=0인 경우), 각각 r, g 및 b 채널인 경우 0, 1 및 2를 전달합니다.

matplotlib 라이브러리는 히스토그램을 그립니다

교과서 코드

from PIL import Imagefrom pylab import *# 解决中文乱码plt.rcParams['font.sans-serif'] = 'SimHei'plt.rcParams['axes.unicode_minus'] = False#im = array(Image.open('headimage.jpeg').convert('L'))  # 打开图像，并转成灰度图像print(im)figure()subplot(121)gray()contour(im, origin='image')  #画图axis('equal')  # 自动调整比例axis('off')  # 去除x  y轴上的刻度title(u'图像轮廓')subplot(122)# flatten()函数可以执行展平操作，返回一个一维数组hist(im.flatten(), 128)print(im.flatten())title(u'图像直方图')plt.xlim([0,260])plt.ylim([0,11000])show()

실행 결과

RGB 3채널 히스토그램

코드 구현

import cv2from matplotlib import pyplot as plt
img = cv2.imread('headimage.jpeg',1)color = ('b','g','r')for i,col in enumerate(color):
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,256])plt.show()

실행 결과

히스토그램 평준화

기본 원리

히스토그램 평준화란 무엇입니까: 히스토그램 평준화는 이미지의 히스토그램을 사용하여 대비를 조정하는 이미지 향상 방법입니다. 그림의 직관적인 관점에서 볼 때 균등화된 그림은 대비가 더 강하고 선명하며 히스토그램 관점에서 더 분명한 특징을 가지며 균등화된 그림의 히스토그램 회색 값의 빈도가 더 균일합니다.

히스토그램 평준화 방법:

• 히스토그램 평준화는 먼저 이미지 img를 읽고 이미지의 히스토그램 값을 계산해야 합니다(히스토그램 기능을 사용할 수 있음).
• 히스토그램 값을 얻은 후에는 히스토그램의 누적 히스토그램 cdf를 계산해야 합니다(cdf[i]는 imhist[0]에서 imhist[i]까지의 합과 같습니다. 이는 cumsum을 사용하여 직접 얻을 수 있습니다. 기능).
• 마지막 단계는 그림의 i행과 j열의 픽셀 값 img[i, j]에 대해 img[i, j] = cdf[img[ i,j] ] / (m*n)*255를 계산하여 균등화된 픽셀 값을 얻은 후 균등화된 그림의 히스토그램을 계산하여 균등화된 히스토그램을 얻습니다

PCV 라이브러리의 histeq 함수를 사용합니다. : 이미지 im을 전달하고 균등화된 히스토그램과 누적 히스토그램 cdf를 반환합니다.

PCV 라이브러리가 히스토그램 평준화를 완료합니다

교과서 코드

# -*- coding: utf-8 -*-from PIL import Imagefrom pylab import *from PCV.tools import imtools# 添加中文字体支持from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)im = array(Image.open('Python 숙제: 히스토그램, 균등화, 가우스 필터링').convert('L'))  # 打开图像，并转成灰度图像im2, cdf = imtools.histeq(im)figure()subplot(2, 2, 1)axis('off')gray()title(u'原始图像', fontproperties=font)imshow(im)subplot(2, 2, 2)axis('off')title(u'直方图均衡化后的图像', fontproperties=font)imshow(im2)subplot(2, 2, 3)axis('off')title(u'原始直方图', fontproperties=font)hist(im.flatten(), 128, density=True)subplot(2, 2, 4)axis('off')title(u'均衡化后的直方图', fontproperties=font)hist(im2.flatten(), 128, density=True)show()

실행 결과

원본 이미지가 전체적으로 더 어둡고(검은색) 원본 이미지의 히스토그램이 낮은 픽셀에 있기 때문에 실행 결과를 얻을 수 있습니다. 발생 빈도는 더 높고, 높은 픽셀의 빈도는 낮습니다. 히스토그램 평준화 후 이미지 전체가 밝아지는 것을 히스토그램을 관찰하면 낮은 픽셀의 빈도가 감소한 반면 높은 픽셀의 빈도가 증가하여 이미지의 대비가 더욱 뚜렷해지는 것을 알 수 있습니다

가우스 필터링

기본 원리

가우시안 필터란: 가우시안 필터는 이미지 처리에 정규 분포를 사용하는 선형 평활화 필터로, 가우시안 노이즈를 제거하는 데 적합하며 이미지를 흐리게 하고 이미지를 매끄럽게 만들 수 있습니다. 이미지가 더 부드러워집니다.

高斯滤波原理：高斯滤波是用户指定一个模板，然后通过这个模板对图像进行卷积，所进行的卷积操作就是将模板中心周围的像素值进行加权平均后替换模板中心的像素值

opencv高斯滤波实现

代码实现

import cv2import matplotlib.pyplot as plt

im=cv2.imread("Python 숙제: 히스토그램, 균등화, 가우스 필터링")# 高斯滤波img_Guassian = cv2.GaussianBlur(im,(5,5),0)plt.subplot(121)plt.imshow(im)plt.subplot(122)plt.imshow(img_Guassian)plt.show()

Python 숙제: 히스토그램, 균등화, 가우스 필터링

从Python 숙제: 히스토그램, 균등화, 가우스 필터링中可以看出，经过高斯滤波后的图像变得模糊了，边缘变得没有那么明显，图像变得平滑

相关免费学习推荐：python教程（视频）

위 내용은 Python 숙제: 히스토그램, 균등화, 가우스 필터링의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!