直方圖均衡化
均衡化原理
圖像均衡化是一種基本的圖像處理技術(shù)，通過更新圖像直方圖的像素強(qiáng)度分布來調(diào)整圖像的全局對(duì)比度。這樣做可以使低對(duì)比度的區(qū)域在輸出圖像中獲得更高的對(duì)比度。
簡(jiǎn)單理解：改變圖像對(duì)比度，讓色彩更豐富，灰度值直方圖：瘦高 -> 均衡
本質(zhì)上，直方圖均衡化的工作原理是:
- 1.計(jì)算圖像像素強(qiáng)度的直方圖
- 2.均勻展開并分布最頻繁的像素值(即直方圖中計(jì)數(shù)最大的像素值)
- 3.給出累積分布函數(shù)(CDF)的線性趨勢(shì)
注意到以上直方圖有許多峰值，這表明有很多像素被歸入到這些各自的bin中。使用直方圖均衡化，我們的目標(biāo)是將這些像素分散到?jīng)]有太多像素的bin中。
均衡化效果
注意輸入圖像的對(duì)比度是如何顯著提高的，但代價(jià)是也提高了輸入圖像中的噪聲的對(duì)比度。
這就提出了一個(gè)問題:是否有可能在不增加噪聲的同時(shí)提高圖像對(duì)比度?
答案是“是的”，你只需要應(yīng)用自適應(yīng)直方圖均衡化。
通過自適應(yīng)直方圖均衡化，我們將輸入圖像劃分為M × N網(wǎng)格。然后我們對(duì)網(wǎng)格中的每個(gè)單元進(jìn)行均衡處理，從而獲得更高質(zhì)量的輸出圖像:
標(biāo)準(zhǔn)直方圖均衡化
OpenCV 包括通過以下兩個(gè)函數(shù)實(shí)現(xiàn)基本直方圖均衡和自適應(yīng)直方圖均衡：
cv2.equalizeHist
cv2.createCLAHE
應(yīng)用cv2.equalizeHist()函數(shù)非常簡(jiǎn)單，只需將圖像轉(zhuǎn)換為灰度，然后調(diào)用cv2.equalizeHist即可:
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
equalized = cv2.equalizeHist(gray)
自適應(yīng)直方圖均衡化
實(shí)現(xiàn)自適應(yīng)直方圖均衡化要求:
1.將輸入圖像轉(zhuǎn)換為灰度/從中提取單個(gè)通道
2.使用cv2.createCLAHE實(shí)例化CLAHE算法
3.在CLAHE對(duì)象上調(diào)用.apply()方法來應(yīng)用直方圖均衡化
這比聽起來容易得多，只需要幾行代碼:
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
equalized = clahe.apply(gray)
注意，我們?yōu)閏v2.createCLAHE提供了兩個(gè)參數(shù):
- clipLimit：這是對(duì)比度限制的閾值
- tileGridSize：將輸入圖像劃分為M × N塊，然后對(duì)每個(gè)局部塊應(yīng)用直方圖均衡化
傅里葉變換
原理
傅里葉變換常用來分析各種濾波器的特性。可以是用2D離散傅里葉變換分析圖像的頻域特性。
（個(gè)人理解，在圖像問題當(dāng)中，頻域是指圖像的灰度變化，也就是灰度圖像的梯度值，這個(gè)和輪廓的原理差不多，灰度值變化劇烈的叫做高頻分量，例如邊界和噪聲?；叶戎底兓徛姆Q謂低頻分量）
實(shí)現(xiàn)2D離散傅里葉變換（DFT）的的算法叫做快速傅里葉變換（FFT）。
對(duì)圖像進(jìn)行X方向和Y方向的傅里葉變換，會(huì)得到圖像的頻域表示圖。
直觀理解，一個(gè)正弦信號(hào)，如果幅度變換很快，可以稱之為高頻信號(hào)，如果變換慢，可以稱之為低頻信號(hào)。在圖像中，灰度值變化快的位置，可以稱之為高頻分量（只變化快而不是次數(shù)多），灰度值變化慢的稱之為低頻分量。
圖像使用使用二維離散傅里葉變換后得到一個(gè)復(fù)數(shù)矩陣，叫做圖像的頻譜圖。
低通濾波器：只保留低頻，會(huì)使得圖像模糊
高通濾波器：只保留高頻，會(huì)使得圖像細(xì)節(jié)增強(qiáng)
-
opencv中主要就是從cv2.dftt()和cv2.idft()，輸入圖像需要先轉(zhuǎn)換成np.float32格式:
img = cv2.imread(‘lena.jpg’, 0)
img_ float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
-
得到的結(jié)果中頻率為0的部分會(huì)在左上角，通常要轉(zhuǎn)換到中心位置(故轉(zhuǎn)換后的圖像從中心向四周頻率增高)，可以通過shift變換來實(shí)現(xiàn)：
dft_shift = np.fft.fftshift(dft)
-
cv2.dft()返回的結(jié)果是復(fù)數(shù)矩陣，即雙通道的(實(shí)部，虛部)，通常還需要轉(zhuǎn)換成圖像格式才能展示(0，255)
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:, :, 0],dft_shift[:, :, 1]))
img = cv2.imread('33.jpg',0) # 讀圖
dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 傅里葉變換
dft_shift = np.fft.fftshift(dft) # 平移到中心，結(jié)果為雙通道（實(shí)部，虛部）
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) # 轉(zhuǎn)化為頻譜圖
理解：通過傅里葉變換，將圖像轉(zhuǎn)化為頻譜圖，而低通濾波和高通濾波則是傅里葉變換的逆變換，即通過對(duì)頻譜圖進(jìn)行一些操作（保留低頻/保留高頻），從而達(dá)到改變?cè)紙D像的效果。
低通濾波
作用：將圖像變得平滑，同時(shí)也就看起來比較模糊。
做法：利用掩碼，把中心部分頻率低的保留下來
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('./image/img1.jpg', 0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags= cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape # 橫縱坐標(biāo)
crow, ccol = int(rows/2), int(cols/2) # 找到中心位置
# 低通濾波制作蒙板
mask = np.zeros((rows, cols, 2), np.uint8) # 初始化全部像素點(diǎn)數(shù)值置為0
mask[crow-30:crow+30, ccol-30:ccol+30] = 1 # 相當(dāng)于只有中心位置60*60像素點(diǎn)是1，其余全為0
# IDFT傅里葉逆變換 即把dft后得到的按頻率分布的奇奇怪怪的圖（稱為頻譜圖）變?yōu)樵瓉韎mread進(jìn)來的圖
fshift = dft_shift*mask # 將掩膜和得到的結(jié)果結(jié)合，即只有中心60*60保留
f_ishift = np.fft.fftshift(fshift) # 做逆變換，當(dāng)然要把原來fft左上角移到中間的再移回左上角ifft
img_back = cv2.idft(f_ishift) # 逆變換，頻譜圖還原為原圖，但還不能看，因?yàn)榻Y(jié)果是雙通道（實(shí)部，虛部）
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1]) # 套公式處理，讓圖像可看
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()
高通濾波
作用：增強(qiáng)邊緣，非邊緣部分被過濾
做法：使用一個(gè)60×60的矩形窗口進(jìn)行蒙板操作，去除低頻分量，使用函數(shù)np.fft.ifftshift將圖像中心平移回左上角，然后使用函數(shù) np.ifft2()進(jìn)行FFT逆變換，將得到的復(fù)數(shù)結(jié)果取絕對(duì)值。（DFT的逆變換）
與低通濾波唯一的區(qū)別就在蒙版的制作
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('./image/img1.jpg', 0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags= cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape # 橫縱坐標(biāo)
crow, ccol = int(rows/2), int(cols/2) # 找到中心位置
# 高通濾波制作蒙板
mask = np.ones((rows, cols, 2), np.uint8) # 初始化全部像素點(diǎn)數(shù)值置為1
mask[crow-30:crow+30, ccol-30:ccol+30] = 0 # 相當(dāng)于只有中心位置60*60像素點(diǎn)是0，其余全為1
# IDFT傅里葉逆變換 即把dft后得到的按頻率分布的奇奇怪怪的圖變?yōu)樵瓉韎mread進(jìn)來的圖
fshift = dft_shift*mask # 將掩膜和得到的結(jié)果結(jié)合，即只有中心60*60保留
f_ishift = np.fft.fftshift(fshift) # 做逆變換，當(dāng)然要把原來fft左上角移到中間的再移回左上角ifft
img_back = cv2.idft(f_ishift) # 逆變換，模糊頻率圖還原為原圖，但還不能看，因?yàn)榻Y(jié)果是雙通道（實(shí)部，虛部）
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1]) # 套公式處理，讓圖像可看
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()
文章來源：http://www.zghlxwxcb.cn/news/detail-800303.html
思想：將圖像通過傅里葉變換映射到頻域中進(jìn)行操作，往往簡(jiǎn)單高效，最后再逆變換轉(zhuǎn)化回來就好文章來源地址http://www.zghlxwxcb.cn/news/detail-800303.html
到了這里，關(guān)于python數(shù)字圖像處理基礎(chǔ)（七）——直方圖均衡化、傅里葉變換的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
