数字图像处理作业01
直方图均衡化
直方图均衡化是将原图像通过某种变化，得到一幅灰度直方图为均匀分布的新图像的方法。
这种方法通常用来增加许多图像的全局对比度。增强局部亮度的对比对而不影响整体的对比度。
实现
离散的灰度图像{x}，其中 表示灰度i出现的次数，有：
关于灰度i的概率密度函数
相应对 $p_x$ 的累积分布函数，有：
$fx(i) = \sum{j=0}^{i}P_x(j)$
再创建一个形式为 $y=T(x)$ 的变换，对于原始图像中每个值产生一个y
最后将进行值的映射和变换：
$y’ = y(max{x}-min{x}) + min{x}$
应用：
- 对于背景和前景太亮或者太暗的图像非常有用。
- 例如对X光图像中更好地显示骨骼结构的曝光或曝光不足处理
代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| import cv2
import numpy as np
img = cv2.imread("preSny.jpg", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow("src", gray)
dst = cv2.equalizeHist(gray)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destoryAllWindows()
|
平滑空间滤波器
作用：主要用于去除图像中一些不重要的细节。
分类：
均值滤波器
均值滤波器属于线性滤波器，有：
- 减小图像灰度的“尖锐”变化
- 减小噪声
- 但由于图像边缘是图像灰度尖锐变化引起的，所以存在边缘模糊问题
中值滤波器
非线性滤波器
基于滤波器所在图像区域中像素的排序，由排序结果决定的值代替中心像素的值
中值滤波器：用像素领域内中间值代替该像素（寻找像素周围内的中间值）
主要计算公式：
$R = mid{Z_k| k = 1,2,…n}$
主要用途：去除噪声
算法的特点
- 去除噪声的同时，比较好的保留边的锐度和图像的细节（优于均值滤波器）
- 能够有效去除脉冲噪声：以黑白点叠加在图像上
代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
| import cv2
import numpy as np
img00 = cv2.imread("demoShot.png",1)
scale_percent = 45
img_width = int(img00.shape[1]*scale_percent / 100)
img_height = int(img00.shape[0]*scale_percent / 100)
dsize = (img_width, img_height)
img00 = cv2.resize(img00, dsize)
img_medianBlur = cv2.medianBlur(img00, 7)
img_Blur = cv2.blur(img00,(7,7))
cv2.imshow("originShot", img00)
cv2.imshow("medianBlur", img_medianBlur)
cv2.imshow("Blur", img_Blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
|
锐化滤波器
主要作用：
- 突出图像中的细节，增强被模糊的细节
- 印刷中的层次强调，弥补扫描钝化
超声探测成像，针对于分辨率低的图片
图像识别中的边缘提取
- 回复过度钝化，曝光不足的图像
- 尖锐目标识别
采用的是用微分的方式进行锐化，有一阶微分滤波器和二阶微分滤波器
梯度算子——一阶微分滤波器
边缘检测不是非常明显，边缘检测产生的噪声比较多
拉普拉斯算子——二阶微分滤波器
主要保留目标轮廓的锐化效果，边缘轮廓显示十分明显，适合于进行目标物体边缘检测
代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
| import cv2
import numpy as np
img = cv2.imread("apple.png", cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (300,400))
sobel_x = cv2.Sobel(img,cv2.CV_64F, 1, 0, ksize = 5)
sobel_y = cv2.Sobel(img,cv2.CV_64F, 0, 1, ksize = 5)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)
scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)
cv2.imshow("origin", img)
cv2.imshow("sobel", sobel_xy)
cv2.imshow("laplacian", laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()
|
