一、直方圖
用於統計圖片中各像素值：
# 畫一個圖像各通道的直方圖 def draw_hist(img): color = ('b', 'g', 'r') for i, col in enumerate(color): hist = cv.calcHist([img], [i], None, [256], [0, 256]) # print(hist.shape) plt.plot(hist, color=col) plt.xlim([0, 256]) plt.show()
計算直方圖時使用mask：
# 使用掩碼 def draw_hist_with_mask(img): mask = np.zeros(img.shape[:2], np.uint8) mask[50:200, 100:350] = 255 cv.imshow('mask', mask) # 將掩碼轉換為bool類型 bi_mask = (mask == 255) # 將掩碼作用於原圖上 cv.imshow('masked img', img * bi_mask[:, :, np.newaxis]) color = ('b', 'g', 'r') for i, col in enumerate(color): # 使用mask，只計算mask中的像素的直方圖 hist = cv.calcHist([img], [i], mask, [256], [0, 256]) # print(hist.shape) plt.plot(hist, color=col) plt.xlim([0, 256]) plt.show()
直方圖均衡：
# 直方圖均衡 def equal_hist(image): image = cv.cvtColor(image, cv.COLOR_RGB2GRAY) equ = cv.equalizeHist(image) plt.hist(image.ravel(), 256) plt.hist(equ.ravel(), 256) plt.show()
圖中藍色部分為原圖的直方圖，橙色部分為均衡后的直方圖，均衡前后的效果如下圖所示：
CLAHE（限制對比度自適應直方圖均衡）：
# 自適應直方圖均衡化 def CLAHE_proc(image): 'CLAHE:限制對比度自適應直方圖均衡' # 先轉換為灰度圖像 image = cv.cvtColor(image, cv.COLOR_RGB2GRAY) # 創建CLAHE分塊 clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # 執行CLAHE均衡化 res_clahe = clahe.apply(image) cv.imshow('res_clahe', res_clahe) # 對比普通均衡化 equ = cv.equalizeHist(image) cv.imshow('equ', equ)
左圖為CLAHE效果，右圖為普通均衡化效果。CLAHE可以減少過爆或過暗，因為他不是基於整張圖片來均衡。
二、傅里葉變換
通過傅里葉變換，我們可以將圖像從空間域轉換到頻率域，然后在頻率域中對其進行濾波，主要有高通濾波和低通濾波。
概念：
高頻：變化劇烈的灰度分量，例如邊界
低頻：變化緩慢的灰度分量
高通濾波器：只保留高頻，過濾出邊界
低通濾波器：只保留低頻，使圖像變模糊
空間域轉頻率域：
# 將圖像從空間域轉換為頻率域 def fourier_trans(img): # 使用灰度圖像 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY) # uint8轉換為float32 img_float32 = np.float32(img) # 傅里葉轉換為復數 dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT) # 將低頻從左上角轉換到中心 dft_shift = np.fft.fftshift(dft) # 轉換為可以顯示的圖片（頻譜圖） magnitude_spectrum = 20 * np.log(cv.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) # 使用plt展示原圖的灰度圖 plt.subplot(121) plt.imshow(img, cmap='gray') plt.title('Input Image') plt.xticks([]) plt.yticks([]) # 展示頻譜圖 plt.subplot(122) plt.imshow(magnitude_spectrum, cmap='gray') plt.title('magnitude_spectrum') plt.xticks([]) plt.yticks([]) plt.show()
頻率域轉回空間域（並實驗低通和高通濾波）：
低頻濾波：
# 從頻率域轉換回空間域（並使用低通濾波） def fourier_trans_back(img): # 使用灰度圖像 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY) # uint8轉換為float32 img_float32 = np.float32(img) # 傅里葉轉換為復數 dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT) # 將低頻從左上角轉換到中心 dft_shift = np.fft.fftshift(dft) # 在這里進行低通濾波 rows, cols = img.shape c_row, c_col = int(rows / 2), int(cols / 2) mask_low = np.zeros_like(dft_shift, np.uint8) mask_low[c_row - 30:c_row + 30, c_col - 50:c_col + 50] = 1 # 使用低通濾波 fshift_low = dft_shift * mask_low # 轉換為可以顯示的圖片（fshift_low），fshift_low中包含實部和虛部 magnitude_spectrum_low = 20 * np.log(cv.magnitude(fshift_low[:, :, 0], fshift_low[:, :, 1])) f_ishift_low = np.fft.ifftshift(fshift_low) img_back_low = cv.idft(f_ishift_low) img_back_low = cv.magnitude(img_back_low[:, :, 0], img_back_low[:, :, 1]) # 使用plt低通濾波后的圖像 plt.subplot(121) plt.imshow(img_back_low, cmap='gray') plt.title('Output Image') plt.xticks([]) plt.yticks([]) # 展示低通濾波后的頻譜圖 plt.subplot(122) plt.imshow(magnitude_spectrum_low, cmap='gray') plt.title('magnitude_spectrum') plt.xticks([]) plt.yticks([]) plt.show()
高頻濾波：
# 從頻率域轉換回空間域（並使用高通濾波） def fourier_trans_back(img): # 使用灰度圖像 img = cv.cvtColor(img, cv.COLOR_RGB2GRAY) # uint8轉換為float32 img_float32 = np.float32(img) # 傅里葉轉換為復數 dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT) # 將低頻從左上角轉換到中心 dft_shift = np.fft.fftshift(dft) # 在這里進行高通濾波 rows, cols = img.shape c_row, c_col = int(rows / 2), int(cols / 2) mask_high = np.ones_like(dft_shift, np.uint8) mask_high[c_row - 30:c_row + 30, c_col - 50:c_col + 50] = 0 # 使用高通濾波 fshift_high = dft_shift * mask_high # 轉換為可以顯示的圖片（fshift_high），fshift_high中包含實部和虛部 magnitude_spectrum_high = 20 * np.log(cv.magnitude(fshift_high[:, :, 0], fshift_high[:, :, 1])) f_ishift_high = np.fft.ifftshift(fshift_high) img_back_high = cv.idft(f_ishift_high) img_back_high = cv.magnitude(img_back_high[:, :, 0], img_back_high[:, :, 1]) # 使用plt高通濾波后的圖像 plt.subplot(121) plt.imshow(img_back_high, cmap='gray') plt.title('Output Image') plt.xticks([]) plt.yticks([]) # 展示高通濾波后的頻譜圖 plt.subplot(122) plt.imshow(magnitude_spectrum_high, cmap='gray') plt.title('magnitude_spectrum') plt.xticks([]) plt.yticks([]) plt.show()
