Python图像运算之图像灰度直方图对比详解

目录

一.灰度增强直方图对比

二.灰度减弱直方图对比

三.图像反色直方图对比

四.图像对数变换直方图对比

五.图像阈值化处理直方图对比

六.总结

一.灰度增强直方图对比

图像灰度上移变换使用的表达式为:

DB=DA+50

该算法将实现图像灰度值的上移,从而提升图像的亮度,结合直方图对比的实现代码如下所示。

# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('lena-hd.webp') #图像灰度转换 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #获取图像高度和宽度 height = grayImage.shape[0] width = grayImage.shape[1] result = np.zeros((height, width), np.uint8) #图像灰度上移变换 DB=DA+50 for i in range(height): for j in range(width): if (int(grayImage[i,j]+50) > 255): gray = 255 else: gray = int(grayImage[i,j]+50) result[i,j] = np.uint8(gray) #计算原图的直方图 hist = cv2.calcHist([img], [0], None, [256], [0,255]) #计算灰度变换的直方图 hist_res = cv2.calcHist([result], [0], None, [256], [0,255]) #原始图像 plt.figure(figsize=(8, 6)) plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off') #绘制掩膜 plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y") #绘制掩膜设置后的图像 plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off') #绘制直方图 plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y") plt.show()

其运行结果如图1所示,其中(a)表示原始图像,(b)表示对应的灰度直方图,(c)表示灰度上移后的图像,(d)是对应的直方图。对比发现,图1(d)比图1(b)的灰度级整体高了50,曲线整体向右平移了50个单位。

二.灰度减弱直方图对比

该算法将减弱图像的对比度,使用的表达式为:

DB=DA×0.8

Python结合直方图实现灰度对比度减弱的代码如下所示。

# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('lena-hd.webp') #图像灰度转换 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #获取图像高度和宽度 height = grayImage.shape[0] width = grayImage.shape[1] result = np.zeros((height, width), np.uint8) #图像对比度减弱变换 DB=DA×0.8 for i in range(height): for j in range(width): gray = int(grayImage[i,j]*0.8) result[i,j] = np.uint8(gray) #计算原图的直方图 hist = cv2.calcHist([img], [0], None, [256], [0,255]) #计算灰度变换的直方图 hist_res = cv2.calcHist([result], [0], None, [256], [0,255]) #原始图像 plt.figure(figsize=(8, 6)) plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off') #绘制掩膜 plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y") #绘制掩膜设置后的图像 plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off') #绘制直方图 plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y") plt.show()

其运行结果如图2所示,其中(a)和(b)表示原始图像和对应的灰度直方图,(c)和(d)表示灰度减弱或对比度缩小的图像及对应的直方图。图2(d)比图2(b)的灰度级整体缩小了0.8倍,绘制的曲线更加密集。

三.图像反色直方图对比

该算法将图像的颜色反色,对原图像的像素值进行反转,即黑色变为白色,白色变为黑色,使用的表达式为:

DB=255-DA

实现代码如下所示。

# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('lena-hd.webp') #图像灰度转换 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #获取图像高度和宽度 height = grayImage.shape[0] width = grayImage.shape[1] result = np.zeros((height, width), np.uint8) #图像灰度反色变换 DB=255-DA for i in range(height): for j in range(width): gray = 255 - grayImage[i,j] result[i,j] = np.uint8(gray) #计算原图的直方图 hist = cv2.calcHist([img], [0], None, [256], [0,255]) #计算灰度变换的直方图 hist_res = cv2.calcHist([result], [0], None, [256], [0,255]) #原始图像 plt.figure(figsize=(8, 6)) plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off') #绘制掩膜 plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y") #绘制掩膜设置后的图像 plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off') #绘制直方图 plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y") plt.show()

其运行结果如图3所示,其中(a)和(b)表示原始图像和对应的灰度直方图,(c)和(d)表示灰度反色变换图像及对应的直方图。图3(d)与图3(b)是反相对称的,整个灰度值满足DB=255-DA表达式。

四.图像对数变换直方图对比

该算法将增加低灰度区域的对比度,从而增强暗部的细节,使用的表达式为:

下面代码实现了图像灰度的对数变换及直方图对比。

# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('lena-hd.webp') #图像灰度转换 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #获取图像高度和宽度 height = grayImage.shape[0] width = grayImage.shape[1] result = np.zeros((height, width), np.uint8) #图像灰度对数变换 for i in range(height): for j in range(width): gray = 42 * np.log(1.0 + grayImage[i,j]) result[i,j] = np.uint8(gray) #计算原图的直方图 hist = cv2.calcHist([img], [0], None, [256], [0,255]) #计算灰度变换的直方图 hist_res = cv2.calcHist([result], [0], None, [256], [0,255]) #原始图像 plt.figure(figsize=(8, 6)) plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off') #绘制原始图像直方图 plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y") #灰度变换后的图像 plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off') #灰度变换图像的直方图 plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y") plt.show()

其运行结果如图4所示,其中(a)和(b)表示原始图像和对应的灰度直方图,(c)和(d)表示灰度对数变换图像及对应的直方图。

五.图像阈值化处理直方图对比

该算法原型为threshold(Gray,127,255,cv2.THRESH_BINARY),当前像素点的灰度值大于thresh阈值时(如127),其像素点的灰度值设定为最大值(如9位灰度值最大为255);否则,像素点的灰度值设置为0。二进制阈值化处理及直方图对比的Python代码如下所示。

# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('lena-hd.webp') #图像灰度转换 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #二进制阈值化处理 r, result = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY) #计算原图的直方图 hist = cv2.calcHist([img], [0], None, [256], [0,256]) #计算阈值化处理的直方图 hist_res = cv2.calcHist([result], [0], None, [256], [0,256]) #原始图像 plt.figure(figsize=(8, 6)) plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off') #绘制原始图像直方图 plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y") #阈值化处理后的图像 plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off') #阈值化处理图像的直方图 plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y") plt.show()

其运行结果如图5所示,其中(a)和(b)表示原始图像和对应的灰度直方图,(c)和(d)表示图像阈值化处理及对应的直方图,图5(d)中可以看到,灰度值仅仅分布于0(黑色)和255(白色)两种灰度级。

六.总结

本文主要讲解图像直方图理论知识以及直方图绘制方法,包括灰度增强直方图对比、灰度减弱直方图对比、图像反色直方图对比、图像对数变换直方图对比、图像阈值化处理直方图对比。灰度直方图是灰度级的函数,描述的是图像中每种灰度级像素的个数,反映图像中每种灰度出现的频率。这篇文章的知识点将为后续图像处理和图像运算对比提供支撑。

以上就是Python图像运算之图像灰度直方图对比详解的详细内容,更多关于Python灰度直方图对比的资料请关注易知道(ezd.cc)其它相关文章!

推荐阅读