OpenCV 直方图与傅里叶变换(学习笔记)

• OpenCV 直方图与傅里叶变换(学习笔记)
  • 直方图
    • 初始化
    • 示例代码
    • mask操作
    • 直方图均衡化
    • 自适应直方图均衡化
  • 傅里叶变换
    • 傅里叶变换的作用
    • 滤波

直方图

直方图是一种统计图表，用于展示数据的分布情况。
这里将展示图片中直方图，把每一个像素点作为展示。

初始化

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

示例代码

直方图主要调用的方法是cv2.calcHist(images,channels,mask,histSize,ranges)。

img = cv2.imread('cat.jpg',0) #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape

(256, 1)

plt.hist(img.ravel(),256); 
plt.show()

img = cv2.imread('cat.jpg')
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])

通过以上操作我们看到了这张照片特定颜色的分布情况。
但是如果我们想关注具体那一部分的颜色信息我们就需要使用mask这个东西。

mask操作

# 创建mast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape) # 维度
mask[100:300, 100:400] = 255
cv_show(mask,'mask')

(414, 500)

接下来我们通过mask对中间图片白框范围的小猫做一个直方图

img = cv2.imread('cat.jpg', 0)
cv_show(img,'img')

masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作
cv_show(masked_img,'masked_img')

hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()

直方图均衡化

直方图均衡化是一种用于改善图片处理的技术，特别是在图像背景和前景都很暗的情况下。
这个方法通常用来增强医学和卫星图像的对比度，但也可以用于任何类型的图像。

加载原始图像。

img = cv2.imread('clahe.jpg',0) #0表示灰度图 #clahe
plt.hist(img.ravel(),256);
plt.show()

进行直方图均值化。

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()

我们发现它产生了很多缝隙。
接下来我们查看一下两张图片的差异。

res = np.hstack((img,equ))
cv_show(res,'res')

发现比以前的要亮了很多。

自适应直方图均衡化

它是直方图均衡化的一种改进方法，它对一小部分一小部分进行均衡化，不像直方图全局均衡化。

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe)) # 三张图做对比
cv_show(res,'res')

发现自适应直方图均衡化比直方图均衡化要写实很多。

傅里叶变换

简单来讲，傅里叶变换换就是一种把复杂信号分解成简单波形的方法，让我们能更容易地理解和处理这些信号。
更多请参考：https://zhuanlan.zhihu.com/p/19763358

傅里叶变换的作用

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，例如一片大海。

滤波

低通滤波器：只保留低频，会使得图像模糊
高通滤波器：只保留高频，会使得图像细节增强
opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式。
得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。
cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）。

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
# 进行傅里叶变换
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
# 把频率域数据移会原来的位置
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

import numpy as np
import cv2
from matplotlib import pyplot as plt
# 读取图像，0 表示以灰度模式
img = cv2.imread('lena.jpg', 0)
# 将图像转换为32位浮点数类型
img_float32 = np.float32(img)
# 使用cv2.dft进行傅立叶变换，并使用cv2.DFT_COMPLEX_OUTPUT标志返回复数结果
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 将傅立叶变换的结果中心移动到图像中心
dft_shift = np.fft.fftshift(dft)
# 获取图像的行数和列数
rows, cols = img.shape
# 计算图像中心点
crow, ccol = int(rows / 2), int(cols / 2)
# 创建一个低通滤波器掩码，初始时全为0
mask = np.zeros((rows, cols, 2), np.uint8)
# 将掩码中心部分设置为1（30x30区域），其余为0
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1
# 将傅立叶变换结果与低通滤波器掩码相乘，实现低通滤波
fshift = dft_shift * mask
# 使用ifftshift将中心移回原位
f_ishift = np.fft.ifftshift(fshift)
# 应用逆傅立叶变换（IDFT）
img_back = cv2.idft(f_ishift)
# 将复数转换为幅度，用于显示结果
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 使用matplotlib显示原始图像和滤波后的图像
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()  # 显示图像

# 导入必要的库
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 读取图像，0 表示以灰度模式
img = cv2.imread('lena.jpg', 0)
# 将图像转换为32位浮点数类型
img_float32 = np.float32(img)
# 使用cv2.dft进行傅立叶变换，并使用cv2.DFT_COMPLEX_OUTPUT标志返回复数结果
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 将傅立叶变换的结果中心移动到图像中心
dft_shift = np.fft.fftshift(dft)
# 获取图像的行数和列数
rows, cols = img.shape
# 计算图像中心点
crow, ccol = int(rows / 2), int(cols / 2)  # 中心位置
# 创建一个高通滤波器掩码，初始时全为1
mask = np.ones((rows, cols, 2), np.uint8)
# 将掩码中心部分设置为0（30x30区域），其余为1
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 0
# 将傅立叶变换结果与高通滤波器掩码相乘，实现高通滤波
fshift = dft_shift * mask
# 使用ifftshift将中心移回原位
f_ishift = np.fft.ifftshift(fshift)
# 应用逆傅立叶变换（IDFT）
img_back = cv2.idft(f_ishift)
# 将复数转换为幅度，用于显示结果
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 使用matplotlib显示原始图像和滤波后的图像
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()  # 显示图像