机器学习进阶-直方图与傅里叶变化-直方图均衡化 1.cv2.equalizeHist(进行直方图均衡化) 2. cv2.createCLAHA(用于生成自适应均衡化图像)

1. cv2.equalizeHist(img)  # 表示进行直方图均衡化

参数说明:img表示输入的图片

2.cv2.createCLAHA(clipLimit=8.0, titleGridSize=(8, 8))  用于生成自适应均衡化图像

参数说明:clipLimit颜色对比度的阈值, titleGridSize进行像素均衡化的网格大小,即在多少网格下进行直方图的均衡化操作

直方图均衡化:一般可以用来提升图片的亮度, 在上面一节中,我们可以看出在150-200之间所占的频数特别的大,频数均衡化指的是让频数的分布看起来更加均匀一些

主要实现的手段

上图中的左边的图是原始数据, 右边的图是进行函数映射后的灰度值

首先对各个灰度值做频数统计,计算其概率,根据像素的灰度值计算出累积概率,最后将累积概率 * (255-0) 做为函数映射后的灰度值,

这样做的目的,可以使得灰度值之间的间隔更小,即一些频数较大的灰度值补充给了频数较小的灰度值,从而实现了灰度值的均衡化

代码:

第一步:读入图片

第二步:使用cv2.equalizeHist(img)均衡化像素

第三步:使用plt.hist 画出均衡化的直方图

第四步:使用plt.imshow 画出均衡化后的图像

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 第一步:读入图片
img = cv2.imread(‘cat.jpg‘, 0)

# 第二步: 使用cv2.equalizeHist实现像素点的均衡化
ret = cv2.equalizeHist(img)

# 第三步:使用plt.hist绘制像素直方图
plt.subplot(121)
plt.hist(img.ravel(), 256)
plt.subplot(122)
plt.hist(ret.ravel(), 256)
plt.show()

# 第四步:使用cv2.imshow()绘值均衡化的图像
cv2.imshow(‘ret‘, np.hstack((img, ret)))
cv2.waitKey(0)

这种全局的均衡化也会存在一些问题,由于整体亮度的提升,也会使得局部图像的细节变得模糊,因为我们需要进行分块的局部均衡化操作

代码:

第一步:使用cv2.createCLAHE(clipLimit=2.0, titleGridSize=(8, 8)) 实例化均衡直方图函数
第二步:使用.apply进行均衡化操作

第三步:进行画图操作

# 使用自适应直方图均衡化
# 第一步:实例化自适应直方图均衡化函数
clahe = cv2.createCLAHE(clipLimit=2.0,
                        tileGridSize=(8, 8))

# 第二步:进行自适应直方图均衡化
clahe = clahe.apply(img)

# 第三步:进行图像的展示
cv2.imshow(‘imgs‘, np.hstack((img, ret, clahe)))
cv2.waitKey(0)
cv2.destroyAllWindows()

可以看出自适应均衡化没有使得人物脸部的细节消失

原文地址:https://www.cnblogs.com/my-love-is-python/p/10405811.html

时间: 2024-10-29 00:09:11

机器学习进阶-直方图与傅里叶变化-直方图均衡化 1.cv2.equalizeHist(进行直方图均衡化) 2. cv2.createCLAHA(用于生成自适应均衡化图像)的相关文章

机器学习进阶笔记之一 | TensorFlow安装与入门

原文链接:https://zhuanlan.zhihu.com/p/22410917 TensorFlow 是 Google 基于 DistBelief 进行研发的第二代人工智能学习系统,被广泛用于语音识别或图像识别等多项机器深度学习领域.其命名来源于本身的运行原理.Tensor(张量)意味着 N 维数组,Flow(流)意味着基于数据流图的计算,TensorFlow 代表着张量从图象的一端流动到另一端计算过程,是将复杂的数据结构传输至人工智能神经网中进行分析和处理的过程. -- 由 UCloud

傅里叶变化

1.欧拉公式 2.傅里叶级数:任何周期函数都可以转化成正弦函数和 2.1 三角函数表现形式   2.2 指数表现形式 (f(t) 是傅里叶的指数展开式子,Fn) 正弦波的实质是在圆周运动在一条直线上的投影 下图中一个复合信合可以有很多正弦函数叠加而成,并且从不同的方向看这些叠加函数,可以得到时域和频域函数. 3.傅里叶变换 3.1对于时域上非周期但是连续的函数转换为频域上非周期的连续的函数,可以使用傅里叶变化求解 3.2对于非连续的离散信号函数 3.2.1 DTFT离散时间傅里叶变换 (实现采样

机器学习进阶-项目实战-信用卡数字识别 1.cv2.findContour(找出轮廓) 2.cv2.boudingRect(轮廓外接矩阵位置) 3.cv2.threshold(图片二值化操作) 4.cv2.MORPH_TOPHAT(礼帽运算突出线条) 5.cv2.MORPH_CLOSE(闭运算图片内部膨胀) 6. cv2.resize(改变图像大小) 7.cv2.putText(在图片上放上文本)

7. cv2.putText(img, text, loc, text_font, font_scale, color, linestick) # 参数说明:img表示输入图片,text表示需要填写的文本str格式,loc表示文本在图中的位置,font_size可以使用cv2.FONT_HERSHEY_SIMPLEX, font_scale表示文本的规格,color表示文本颜色,linestick表示线条大小 信用卡数字识别: 信用卡      数字模板涉及到的内容:主要是采用模板匹配的思想 思

机器学习进阶-案例实战-答题卡识别判

1.H = cv2.getPerspectiveTransform(rect, transform_axes) 获得投射变化后的H矩阵 参数说明:rect表示原始的位置左上,右上,右下,左下, transform_axes表示变换后四个角的位置 2.cv2.warpPerspective(gray, H, (width, height)) 根据H获得变化后的图像 参数说明: gray表示输入的灰度图像, H表示变化矩阵,(width, height)表示变换后的图像大小3. cv2.approx

机器学习进阶-图像形态学变化-礼帽与黑帽 1.cv2.TOPHAT(礼帽-原始图片-开运算后图片) 2.cv2.BLACKHAT(黑帽 闭运算-原始图片)

1.op = cv2.TOPHAT  礼帽:原始图片-开运算后的图片 2. op=cv2.BLACKHAT 黑帽: 闭运算后的图片-原始图片 礼帽:表示的是原始图像-开运算(先腐蚀再膨胀)以后的图像 黑帽:表示的是闭运算(先膨胀再腐蚀)后的图像 - 原始图像 代码: 第一步:读取图片 第二步:使用cv2.MOPRH_TOPHAT获得礼帽图片 第三步:使用cv2.MOPRH_BLACKHAT获得黑帽图片 import cv2 import numpy as np # 第一步读入当前图片 img =

信号分析——从傅里叶变化到FFT

我们眼中的世界就像皮影戏的大幕布,幕布的后面有无数的齿轮,大齿轮带动小齿轮,小齿轮再带动更小的. 在最外面的小齿轮上有一个小人——那就是我们自己. 我们只看到这个小人毫无规律的在幕布前表演,却无法预测他下一步会去哪. 而幕布后面的齿轮却永远一直那样不停的旋转,永不停歇. ——这就是对傅里叶世界观的描述. 你眼中看似落叶纷飞变化无常的世界,实际只是躺在上帝怀中一份早已谱好的乐章. 下面进入正式环节↓↓↓↓↓↓ 傅里叶公式: 其中: 这就是鼎鼎大名的傅里叶公式! 简单的理解: 每一个信号,在某个特定

傅里叶变化性质

傅里叶变化,时域,频域,相域的概念

大牛对信号处理知识的直观解释 1)傅里叶分析 https://zhuanlan.zhihu.com/p/19763358 相位的解释: 相位差 = 时间差 ÷ 周期 * 2pi https://www.zhihu.com/question/31104681 原文地址:https://www.cnblogs.com/xhslovecx/p/10281119.html

机器学习进阶-图像基本操作-图像数据读取 1.cv2.imread(图片读入) 2.cv2.imshow(图片展示) 3.cv2.waitKey(图片停留的时间) 4.cv2.destroyAllWindows(清除所有的方框界面) 5.cv2.imwrite(对图片进行保存)

1. cv2.imread('cat.jpg', cv2.IMGREAD_GRAYSCALE)  # 使用imread读入图像(BGR顺序), 使用IMGREAD_GRAYSCALE 使得读入的图片为灰度图, 2. cv2.imshow('cat', img)  # imshow表示展示图片,第一个参数表示图片的名字, 第二个参数表示需要显示的图片 3. cv2.waitKey(0)  #表示图片停留的时间, 0表示按任意键退出 4.cv2.destroyAllWindows()  #表示清除所