计算机视觉与模式识别实验1-1 图像的直方图平衡

文章目录

    • 🧡🧡实验流程🧡🧡
      • 1.读入图像‘rice.png’，在一个窗口中显示灰度级n=64，128和256的图像直方图。
      • 2.调解图像灰度范围，观察变换后的图像及其直方图的变化。
      • 3.分别对图像‘pout.tif’和‘tire.tif’进行直方图均衡化处理，比较处理前后图像及直方图分布的变化。
      • 4.读取一幅彩色图像，对RGB图像的每个通道进行直方图均衡化,对均衡化后进行重新合并成彩色图像，展示不同阶段的图像效果。另将RGB图像转换为HSV图像（rgb2hsv函数），分别对三分量的图像行直方图均衡化，最后合并成新的彩色图像，分析不同阶段的图像效果。
      • 5.自行设计程序实现图像的直方图均衡
    • 🧡🧡所有代码🧡🧡

🧡🧡实验流程🧡🧡

1.读入图像‘rice.png’，在一个窗口中显示灰度级n=64，128和256的图像直方图。

在这里插入图片描述
在这里插入图片描述

2.调解图像灰度范围，观察变换后的图像及其直方图的变化。

在这里插入图片描述

3.分别对图像‘pout.tif’和‘tire.tif’进行直方图均衡化处理，比较处理前后图像及直方图分布的变化。

在这里插入图片描述
在这里插入图片描述

4.读取一幅彩色图像，对RGB图像的每个通道进行直方图均衡化,对均衡化后进行重新合并成彩色图像，展示不同阶段的图像效果。另将RGB图像转换为HSV图像（rgb2hsv函数），分别对三分量的图像行直方图均衡化，最后合并成新的彩色图像，分析不同阶段的图像效果。

如下图，对RGB三个颜色通道进行直方图均衡化后，图像的对比度得到了改善，灰度级的分布更加均匀。
在这里插入图片描述
在这里插入图片描述
如下图，HSV模型是基于人类感知的颜色模型，HSV分别表示色相（Hue）、饱和度（Saturation）和明度（Value），对其均衡化后，增强了图像的对比度和色彩鲜艳度，使得图像更加清晰、生动
在这里插入图片描述
在这里插入图片描述

5.自行设计程序实现图像的直方图均衡

主要思路：
1.统计原始图像的直方图
2.计算直方图累积分布
3.用累积分布函数作变换函数进行图像灰度变换
在这里插入图片描述

🧡🧡所有代码🧡🧡

主要采用opencv库，这里的代码是用jupyter写的。

"""
    1-1、1-2 直方图显示、直方图灰度调节
"""
image = cv2.imread('img/test1_rice.png', cv2.IMREAD_GRAYSCALE)

plt.figure(figsize=(15, 12))

# 显示原始图像和直方图
plt.subplot(3, 3, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image', fontsize=18)
plt.axis('off')

for i, n in enumerate([64, 128, 256]):
    plt.subplot(3, 3, i + 4)
    plt.hist(image.ravel(), bins=n, range=[0, 256], color='b', alpha=0.5)
    plt.title('Histogram (n={})'.format(n), fontsize=18)
    plt.xlabel('Pixel Value', fontsize=16)
    plt.ylabel('Frequency', fontsize=16)

# 使用imadjust函数进行灰度调节
adjusted_image = cv2.convertScaleAbs(image, alpha=1.5, beta=20)

# 显示调节后的图像和直方图
plt.subplot(3, 3, 7)
plt.imshow(adjusted_image, cmap='gray')
plt.title('Adjusted Image', fontsize=18)
plt.axis('off')

plt.subplot(3, 3, 8)
plt.hist(adjusted_image.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Adjusted Histogram', fontsize=18)
plt.xlabel('Pixel Value', fontsize=16)
plt.ylabel('Frequency', fontsize=16)

plt.tight_layout()
plt.show()

"""
    1-3 直方图均衡化
"""

image_pout = cv2.imread('img/test1_pout.png', cv2.IMREAD_GRAYSCALE)
image_tire = cv2.imread('img/test1_tire.png', cv2.IMREAD_GRAYSCALE)

# 直方图均衡化处理
equalized_pout = cv2.equalizeHist(image_pout)
equalized_tire = cv2.equalizeHist(image_tire)

# 绘制处理前后图像及直方图分布的变化
plt.figure(figsize=(12, 8))

# 原始图像及其直方图
plt.subplot(2, 4, 1)
plt.imshow(image_pout, cmap='gray')
plt.title('Original Pout')
plt.axis('off')

plt.subplot(2, 4, 2)
plt.hist(image_pout.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Histogram (Before)')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')

plt.subplot(2, 4, 5)
plt.imshow(image_tire, cmap='gray')
plt.title('Original Tire')
plt.axis('off')

plt.subplot(2, 4, 6)
plt.hist(image_tire.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Histogram (Before)')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')

# 直方图均衡化后图像及其直方图
plt.subplot(2, 4, 3)
plt.imshow(equalized_pout, cmap='gray')
plt.title('Equalized Pout')
plt.axis('off')

plt.subplot(2, 4, 4)
plt.hist(equalized_pout.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Histogram (After)')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')

plt.subplot(2, 4, 7)
plt.imshow(equalized_tire, cmap='gray')
plt.title('Equalized Tire')
plt.axis('off')

plt.subplot(2, 4, 8)
plt.hist(equalized_tire.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Histogram (After)')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')

plt.tight_layout()
plt.show()

"""
    1-4 RGB和HSV均衡化
"""

image = cv2.imread('img/test1_LenaRGB.tif')

# 处理RGB图像
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # opencv是BGR，  imshow是RGB
r_channel, g_channel, b_channel = cv2.split(image_rgb)
r_equalized = cv2.equalizeHist(r_channel)
g_equalized = cv2.equalizeHist(g_channel)
b_equalized = cv2.equalizeHist(b_channel)
equalized_image = cv2.merge((r_equalized, g_equalized, b_equalized))

plt.figure(figsize=(18, 20))

plt.subplot(4, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Channels', fontsize=18)
plt.axis('off')

plt.subplot(4, 2, 2)
plt.imshow(cv2.merge((r_equalized, g_equalized, b_equalized)))
plt.title('Equalized Channels', fontsize=18)
plt.axis('off')

plt.subplot(4, 2, 3)
plt.hist(r_channel.ravel(), bins=256, range=[0, 256], color='r', alpha=0.5)
plt.hist(g_channel.ravel(), bins=256, range=[0, 256], color='g', alpha=0.5)
plt.hist(b_channel.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Histogram (Before Equalization)', fontsize=18)
plt.xlabel('Pixel Value', fontsize=18)
plt.ylabel('Frequency', fontsize=18)

plt.subplot(4, 2, 4)
plt.hist(r_equalized.ravel(), bins=256, range=[0, 256], color='r', alpha=0.5)
plt.hist(g_equalized.ravel(), bins=256, range=[0, 256], color='g', alpha=0.5)
plt.hist(b_equalized.ravel(), bins=256, range=[0, 256], color='b', alpha=0.5)
plt.title('Histogram (After Equalization)', fontsize=18)
plt.xlabel('Pixel Value', fontsize=18)
plt.ylabel('Frequency', fontsize=18)

# 处理HSV图像
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
h_channel, s_channel, v_channel = cv2.split(hsv_image)
equalized_h_channel = cv2.equalizeHist(h_channel)
equalized_s_channel = cv2.equalizeHist(s_channel)
equalized_v_channel = cv2.equalizeHist(v_channel)
equalized_hsv_image = cv2.merge((equalized_h_channel, equalized_s_channel, equalized_v_channel))
equalized_rgb_image = cv2.cvtColor(equalized_hsv_image, cv2.COLOR_HSV2RGB)

plt.subplot(4, 2, 5)
plt.imshow(hsv_image)
plt.title('Original HSV Channels', fontsize=18)
plt.axis('off')

plt.subplot(4, 2, 6)
plt.imshow(equalized_rgb_image)
plt.title('Equalized HSV Channels', fontsize=18)
plt.axis('off')

plt.subplot(4, 2, 7)
plt.hist(h_channel.ravel(), bins=256, range=[0, 256], alpha=0.5)
plt.hist(s_channel.ravel(), bins=256, range=[0, 256], alpha=0.5)
plt.hist(v_channel.ravel(), bins=256, range=[0, 256], alpha=0.5)
plt.title('Histogram (After Equalization)', fontsize=18)
plt.xlabel('Pixel Value', fontsize=18)
plt.ylabel('Frequency', fontsize=18)

plt.subplot(4, 2, 8)
plt.hist(equalized_h_channel.ravel(), bins=256, range=[0, 256], alpha=0.5)
plt.hist(equalized_s_channel.ravel(), bins=256, range=[0, 256], alpha=0.5)
plt.hist(equalized_v_channel.ravel(), bins=256, range=[0, 256], alpha=0.5)
plt.title('Histogram (After Equalization)', fontsize=18)
plt.xlabel('Pixel Value', fontsize=18)
plt.ylabel('Frequency', fontsize=18)


plt.tight_layout()
plt.show()

"""
    1-5 手写直方图均衡化
"""

#建立原始图像各灰度级的灰度值与像素个数对应表
def Origin_histogram( img ):
#     print(img.shape)
    histogram = {}
    for i in range( img.shape[0] ):
        for j in range( img.shape[1] ):
            k = img[i][j]
            if k in histogram:
                histogram[k] += 1
            else:
                histogram[k] = 1
                
    sorted_histogram = {}#建立排好序的映射表
    sorted_list = sorted( histogram )#根据灰度值进行从低至高的排序
    
    for j in range( len( sorted_list ) ):
        sorted_histogram[ sorted_list[j] ] = histogram[ sorted_list[j] ]

    return sorted_histogram

def equalization_histogram( histogram, img ):
#     print(histogram)
    pr = {} #建立概率分布映射表
    for i in histogram.keys():
        pr[i] = histogram[i] / ( img.shape[0] * img.shape[1] ) 

    # 计算累计分布（变换函数）
    tmp = 0
    for m in pr.keys():
        tmp += pr[m]
        pr[m] =  max( histogram ) * tmp
#     print(pr)
    
    # 将原图像每一点都进行变换
    new_img = np.zeros( shape = ( img.shape[0], img.shape[1] ), dtype = np.uint8 )
    for k in range( img.shape[0] ):
        for l in range( img.shape[1] ):
            new_img[k][l] = pr[img[k][l]]

    return new_img

# 计算灰度直方图
def GrayHist( img ):
    height, width = img.shape
    grayHist = np.zeros([256], np.uint64)
    for i in range(height):
        for j in range(width):
            grayHist[img[i][j]] += 1
    return grayHist

img = cv2.imread( 'img/test1_pout.png', cv2.IMREAD_GRAYSCALE )
# 计算原图灰度直方图
origin_histogram = Origin_histogram( img )
# 直方图均衡化
new_img = equalization_histogram( origin_histogram, img )
# 计算均衡化后的灰度直方图
origin_grayHist = GrayHist(img)
equaliza_grayHist = GrayHist( new_img )

# 绘制灰度直方图
x = np.arange(256)
plt.figure(figsize=(15,10))
plt.subplot( 2, 2, 1 )
plt.plot(x, origin_grayHist, linewidth=2 , alpha=0.5)
plt.title("Origin",fontsize=18)
plt.ylabel("Frequency",fontsize=18)

plt.subplot( 2, 2, 2 )
plt.plot(x, equaliza_grayHist, linewidth=2, alpha=0.5)
plt.title("Equalization",fontsize=18)
plt.ylabel("Frequency",fontsize=18)

plt.subplot( 2, 2, 3 )
plt.imshow( img, cmap = plt.cm.gray )
plt.title( 'Origin' ,fontsize=18)

plt.subplot( 2, 2, 4 )
plt.imshow( new_img, cmap = plt.cm.gray )
plt.title( 'Equalization' ,fontsize=18)
plt.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/666272.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

神奇的现象——body背景

神奇的现象——body背景

当我们设置 body 背景时，有一个神奇的现象。 当 HTML 元素有背景时 html {background-color: lightblue }body {width: 100px;height: 100px;border: 3px dashed #f66e6e;background-color: thistle; } 显示如下： 注意： 由于 body 设置了…
阅读更多...
CraftCMS ConditionsController.php 代码执行漏洞（CVE-2023-41892）

CraftCMS ConditionsController.php 代码执行漏洞（CVE-2023-41892）

0x01 产品简介 Craft CMS是一个开源的内容管理系统，它专注于用户友好的内容创建过程，逻辑清晰明了，是一个高度自由，高度自定义设计的平台吗，可以用来创建个人或企业网站也可以搭建企业级电子商务系统。 0x02 漏洞概述 Craft CMS在4.4.15版本之前存在远程代码执行漏洞，…
阅读更多...
安防综合管理系统EasyCVR平台GA/T1400视图库：基于XML的消息体格式

安防综合管理系统EasyCVR平台GA/T1400视图库：基于XML的消息体格式

GA/T 1400标准的应用范围广泛，涵盖了公安系统的视频图像信息应用系统，如警务综合平台、治安防控系统、交通管理系统等。在视频监控系统中，GA/T 1400公安视图库的对接是实现视频图像信息传输、处理和管理的重要环节。 以视频汇聚EasyCVR视频监…
阅读更多...
Linux|虚拟机|Windows 11 家庭版的Hyper虚拟机服务开启

Linux|虚拟机|Windows 11 家庭版的Hyper虚拟机服务开启

前言： Windows11的版本是比较多的，但有的时候笔记本预装的可能是家庭版，而家庭版的Windows通常是不支持虚拟机的，也就是说Hyper服务根本就看不到 Windows的程序和功能大体如下： 🆗，那么如何开…
阅读更多...
运维怎么转行网络安全？

运维怎么转行网络安全？

经常有人问我：干网工、干运维多年遇瓶颈，想学点新技术给自己涨涨“身价”，应该怎么选择？ 聪明人早已经用脚投票：近年来，越来越多运维的朋友寻找新的职业发展机会，将目光聚焦到了网络安全产业。…
阅读更多...
反激电源压敏电阻设计

反激电源压敏电阻设计

压敏电阻的作用：浪涌防护。在电源出现浪涌冲击时，保护核心器件不受到损坏。其实类似于稳压二极管 瞬间的瞬态波 1 压敏电压 单位是，虽然压敏电阻可以吸收很大的浪涌能量，但是不能承受mA以上的持续电流。压敏电压计算公式 2 通流容…
阅读更多...
免费的VMware ？就是它了！【送源码】

免费的VMware ？就是它了！【送源码】

在 Docker 没有出来之前，很多项目的的部署方案是使用虚拟机，在一台服务器上创建好几个虚机出来，配置一下网络，就可以把一台服务器当做多个服务器用了。 而作为开发者来说，我们经常碰到需要使用不同操作系统的需求&…
阅读更多...
HTML+CSS 响应式侧边栏菜单

HTML+CSS 响应式侧边栏菜单

效果演示 实现了一个响应式的侧边栏菜单，当用户点击菜单按钮时，菜单会从左侧滑出，同时页面内容会向右移动，展示菜单选项。菜单选项包括一个头像和用户名，以及其他的菜单项，当用户将鼠标悬停在菜单项上时，菜单项会高亮显示。这段代码使用了CSS的flex布局和过渡效果，以及…
阅读更多...
【Linux】线程ID

【Linux】线程ID

大致草稿—————————— 思维导图 学习目标 一、线程ID的理解 1.1 引出对tid的理解 我们先来创建一个线程复习一下线程的函数： pthread_t tid; // 创建一个线程 pthread_create(&tid, nullptr, threadrun, (void*)"thread-1"); // 打印出…
阅读更多...
Nacos-SpringBoot-配置中心

Nacos-SpringBoot-配置中心

Nacos配置中心 前情回顾 上一章呢 了解并且学习了Nacos服务注册与发现 在一系列破防中走了出来Nacos服务注册完成https://blog.csdn.net/m0_68711597/article/details/139265244?spm1001.2014.3001.5502 本以为接下来会一帆风顺 一马平川 没想刚出坑 又入坑 Nacos的配置…
阅读更多...
副业赚钱的路子有哪些？推荐15个靠谱副业和赚钱软件给你做

副业赚钱的路子有哪些？推荐15个靠谱副业和赚钱软件给你做

在这个工资永远追不上物价的时代，你是否也感到焦虑？是否想过在工作之余，开辟一条赚钱的副业之路？别急，今天就为你揭开副业赚钱的神秘面纱，带你一探究竟！ 一、宅富社任务：每日小任务&…
阅读更多...
华为官网的自助申诉

华为官网的自助申诉

代码&#xff1a;如下 <!DOCTYPE html> <html lang"en"> <head> <meta charset"UTF-8"> <meta name"viewport" content"widthdevice-width, initial-scale1.0"> <title>Document</title> …
阅读更多...
Python自动化办公2.0 即将发布

Python自动化办公2.0 即将发布

第一节课&#xff1a;数据整理与清洗 第二节课&#xff1a;数据筛选、过滤与排序 第三节课&#xff1a;高级数据处理技巧 第四节课&#xff1a;数据可视化与实践案例 第五节课&#xff1a;统计分析与报表 第六节&#xff1a;常见的Excel报表 与下方的课程形成知识体系&…
阅读更多...
【教学类-60-01】彩色消划掉01（四个数字，X*Y宫格）

【教学类-60-01】彩色消划掉01（四个数字，X*Y宫格）

背景需求&#xff1a; &#x1f9e0;思维启蒙 - 小红书注意力训练小分享-彩色划消 训练孩子的视觉辨别能力、视觉稳定性、注意力分配额能力&#x1f440; 一起来试试吧&#xff5e; #分享学习方法 #注意力训练 #专注力训练#天津 #亲子时光 #孩子成长 #思维启蒙 #数学思维启蒙 …
阅读更多...
天工大模型：中国AI搜索巨头如何一骑绝尘？

天工大模型：中国AI搜索巨头如何一骑绝尘？

5月&#xff0c;全球大模型领域的竞争&#xff0c;或可用“你方唱罢我方登场”来形容。 谷歌、腾讯、阿里、字节跳动等业界巨擘纷纷亮出大招。有的凭借技术底蕴实现全面升级&#xff0c;有的慷慨将大模型开源免费&#xff0c;更有甚者通过价格战掀起狂风巨浪&#xff0c;整个市…
阅读更多...
4月啤酒品类线上销售数据分析

4月啤酒品类线上销售数据分析

近期&#xff0c;中国啤酒行业正处于一个重要的转型期。首先&#xff0c;消费者对高品质啤酒的需求不断增加&#xff0c;这推动了行业向高端化、场景化和社交化的方向发展。精酿啤酒作为这一趋势的代表&#xff0c;其发展势头强劲&#xff0c;不仅满足了消费者对品质化、个性化…
阅读更多...
解决get请求入参@NotNull验证不生效问题

解决get请求入参@NotNull验证不生效问题

get请求NotNull验证不生效 在这里插入图片描述 解决办法 在该方法的controller类上加Validated 解决get请求入参NotNull验证不生效问题
阅读更多...
CCF-GESP 2024 四级T1相似字符串

CCF-GESP 2024 四级T1相似字符串

题目描述 对于两个字符串A和B&#xff0c;如果A可以通过删除一个字符&#xff0c;或插入一个字符&#xff0c;或修改一个字符变成B&#xff0c;那么我们说A和B是相似的。 比如 apple 可以通过插入一个字符变成 applee &#xff0c;可以通过删除一个字符变成 appe &#…
阅读更多...
基于百度智能体平台快速搭建Java学习助手

基于百度智能体平台快速搭建Java学习助手

文章目录 前言什么是文新智能体平台&#xff1f;Java学习助手智能体搭建智能体效果智能体入口文新智能体体验感受 前言 一个Java初学者在学习Java时可能不知道从哪下手&#xff0c;一个工作了3年的Java开发遇到瓶颈期不知如何提升自己&#xff0c;此时&#xff0c;如果有一个老…
阅读更多...
多环境和前后多环境实战

多环境和前后多环境实战

文章目录 一.多环境1.1 什么是多环境1.2 多环境分类1.2.1 本地环境&#xff08;自己的电脑&#xff09;1.2.2 开发环境&#xff08;远程开发&#xff09;1.2.3 测试环境1.2.4 预发布环境1.2.5 正式环境1.2.6 沙箱环境&#xff08;实验环境&#xff09; 1.3 如何实现1.3.1 抽象配…
阅读更多...
最新文章

Copyright @ 2022~2023