機器學習進階-直方圖與傅里葉變換-圖像直方圖 1.cv2.calc(生成圖像的像素頻數分布(直方圖))

1. cv2.calc([img], [0], mask, [256], [0, 256])  # 用於生成圖像的頻數直方圖

參數說明: [img]表示輸入的圖片， [0]表示第幾個通道， mask表示掩碼，通常生成一部分白色，一部分黑色的掩碼圖， [256]表示直方圖的個數， [0, 256]表示數字的范圍

圖像直方圖表示的是顏色的像素值，在單個或者一個范圍內出現的頻數，一般圖像會在某一個顏色區間內呈現較高的值

一只小貓，即其(0-255)的像素點的直方圖分布情況，我們可以看出其在100-200之間的像素分布較密集

 

代碼：

1. 灰度圖的顏色通道

第一步：讀取圖片

第二步：使用cv2.calhist([img], [0], None, [256], [0, 256]) 獲得每個像素點的頻數值

第三步：使用plt.hist(img.ravel(), 256)做出直方圖

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


def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 第一步讀入圖片
img = cv2.imread('cat.jpg', 0)

# 第二步:使用calchist計算每個像素點的頻數
hist = cv2.calcHist([img], [0], None, [256], [1, 256])

# 第三步：進行畫圖操作
plt.subplot(131)
plt.imshow(img, cmap='gray')
plt.subplot(132)
plt.hist(img.ravel(), 256)
plt.subplot(133)
plt.plot(hist, color='red')
plt.show()

2.研究不同通道的顏色頻度

# 研究不同顏色像素分布情況
img = cv2.imread('cat.jpg')

color = ['b', 'g', 'r']
for i, col in enumerate(color):
    histr = cv2.calcHist([img], [i], None, [256], [1, 256])
    plt.plot(histr, color=col, label=col)
    plt.legend()
plt.show()

 

3.使用掩碼mask刪選出部分圖像，做像素頻度分析

第一步：讀入圖片

第二步：使用np.zeros生成掩碼mask

第三步：使用cv2.bitwise將掩碼與圖像結合截取中間位置的圖片

第四步：使用cv2.calcHist生成統計像素點的頻數圖

第五步：進行繪圖操作

# 第一步讀入圖片
img = cv2.imread('cat.jpg', 0)

# 第二步：生成掩碼，中間部分為255，邊緣部分都為0
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255

# 第三步：使用cv2.bitwise與操作，只保留圖像的中間部分
ret = cv2.bitwise_and(img, img, mask=mask) # 做與操作

# 第四步：使用cv2.calcHist帶入掩碼生成頻數曲線
m_hist = cv2.calcHist([img], [0], mask, [256], [1, 256])

# 第五步：進行最終的繪圖操作
plt.subplot(221)
plt.imshow(img, 'gray')
plt.subplot(222)
plt.imshow(mask, 'gray')
plt.subplot(223)
plt.imshow(ret, 'gray')
plt.subplot(224)
plt.plot(m_hist)
plt.plot(hist)
plt.show()