Python圖像處理--直方圖，高斯濾波，直方圖均衡化

一，PIL（Python Imaging Library Python，圖像處理類庫）提供了通用的圖像處理功能，以及大量有用的基本圖像操作，比如圖像縮放、裁剪、旋轉、顏色轉換等。利用 PIL 中的函數，我們可以從大多數圖像格式的文件中讀取數據，然后寫入最常見的圖像格式文件中。PIL 中最重要的模塊為 Image。
　　我們處理數學運算、繪制圖表，或者在圖像上繪制點、直線和曲線時，Matplotlib是個很好的類庫，具有比 PIL 更強大的繪圖功能。Matplotlib 可以繪制出高質量的圖表，就像本書中的許多插圖一樣。Matplotlib 中的 PyLab 接口包含很多方便用戶創建圖像的函數。

　　NumPy是非常有名的 Python 科學計算工具包，其中包含了大量有用的思想，比如數組對象（用來表示向量、矩陣、圖像等）以及線性代數函數。NumPy 中的數組對象可以幫助你實現數組中重要的操作，比如矩陣乘積、轉置、解方程系統、向量乘積和歸一化，這為圖像變形、對變化進行建模、圖像分類、圖像聚類等提供了基礎。

二，直方圖

　　圖像的直方圖用來表征該圖像像素值的分布情況。用一定數目的小區間（bin）來指定表征像素值的范圍，每個小區間會得到落入該小區間表示范圍的像素數目。圖像的直方圖可以使用 hist() 函數繪制。hist() 函數的第二個參數指定小區間的數目。需要注意的是，因為 hist() 只接受一維數組作為輸入，所以我們在繪制圖像直方圖之前，必須先對圖像進行壓平處理。flatten() 方法將任意數組按照行優先准則轉換成一維數組。

　　代碼如下：

from PIL import Image
from pylab import *
#讀取圖像到數組
im=array(Image.open('11.JPG').convert('L'))
#新建一個圖像
figure()
#不使用顏色信息
gray()
#在原點的左上角顯示輪廓圖像
contour(im,origin='image')
axis('equal')
axis('off')
figure()
hist(im.flatten(),128)
show()

 

效果：

   

                                        原圖

      

　　　　　　　　　　　　輪廓圖

                                         直方圖

三，高斯濾波

　　高斯濾波是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過加權平均后得到。其濾波核的值由如下公式得到（用當前點與中心點的歐式距離的平方代替下面的

（x²+y²）:

　　　　　　　　　　

　　代碼如下：

import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖片
img = cv2.imread('11.JPG')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#高斯濾波，這里使用15*15的卷積核
result = cv2.GaussianBlur(source, (15,15), 0)

#顯示圖形
titles = ['Source Image', 'GaussianBlur Image']  
images = [source, result]  
for i in range(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

效果：

四，直方圖均衡化

　　圖像灰度變換中一個非常有用的例子就是直方圖均衡化。直方圖均衡化是指將一幅圖像的灰度直方圖變平，使變換后的圖像中每個灰度值的分布概率都相同。在對圖像做進一步處理之前，直方圖均衡化通常是對圖像灰度值進行歸一化的一個非常好的方法，並且可以增強圖像的對比度。在這種情況下，直方圖均衡化的變換函數是圖像中像素值的累積分布函數（cumulative distribution function，簡寫為 cdf，將像素值的范圍映射到目標范圍的歸一化操作）。

代碼：

import cv2 # 僅用於讀取圖像矩陣
import matplotlib.pyplot as plt  
import numpy as np
from PIL import Image
gray_level = 256  # 灰度級


def pixel_probability(img):
    """
    計算像素值出現概率
    :param img:
    :return:
    """
    assert isinstance(img, np.ndarray)

    prob = np.zeros(shape=(256))

    for rv in img:
        for cv in rv:
            prob[cv] += 1

    r, c = img.shape
    prob = prob / (r * c)

    return prob


def probability_to_histogram(img, prob):
    """
    根據像素概率將原始圖像直方圖均衡化
    :param img:
    :param prob:
    :return: 直方圖均衡化后的圖像
    """
    prob = np.cumsum(prob)  # 累計概率

    img_map = [int(i * prob[i]) for i in range(256)]  # 像素值映射

   # 像素值替換
    assert isinstance(img, np.ndarray)
    r, c = img.shape
    for ri in range(r):
        for ci in range(c):
            img[ri, ci] = img_map[img[ri, ci]]

    return img


def plot(y, name):
    """
    畫直方圖，len(y)==gray_level
    :param y: 概率值
    :param name:
    :return:
    """
    plt.figure(num=name)
    plt.bar([i for i in range(gray_level)], y, width=1)


if __name__ == '__main__':

    img=Image.open('11.jpg')
    img=img.convert('L')
    img.save('111.jpg')
    img = cv2.imread("111.jpg", 0)  # 讀取灰度圖

    prob = pixel_probability(img)
    plot(prob, "原圖直方圖")

    # 直方圖均衡化
    img = probability_to_histogram(img, prob)
    cv2.imwrite("source_hist.jpg", img)  # 保存圖像

    prob = pixel_probability(img)
    plot(prob, "直方圖均衡化結果")

    plt.show()

效果：

 

   

　　　　　　　　　　　　　　　　灰度圖

                                                    均衡化后的圖

 

                   

　　　　　　　　　　　　　　　   直方圖

              

　　　　　　　　　　　　　　直方圖均衡化

結論：

　　剛接觸Python，對其還不太了解，掌握圖像的處理是為接下來的功能實現作基礎，希望自己加油。