OpenCV——6

21图像直方图

图像直方图函数

•calcHist(images, channels, mask,histSize, ranges[,hist[, accumulate]]) ->hist

•images表示图像

•channels表示通道

•mask 默认None

•histSzie表示bin的个数，灰度等级

•ranges表示通道的取值范围

函数返回的直方图数据类型为np.float32

#21图像直方图
def image_hist():
    image = cv.imread("123.jpg")
    cv.imshow("input", image)
    color = ('blue', 'green', 'red')
    for i,color in enumerate(color):
        hist = cv.calcHist([image], [i], None, [32], [0,256])
        print(hist.dtype)
        plt.plot(hist,color = color)
        plt.xlim([0,32])
    plt.show()
    cv.waitKey(0)
    cv.destroyAllWindows()

22直方图均衡化

均衡化作用

​ •提升对比度

​ •灰度图象支持

所谓均衡化就是减少Bin数量进而扩大各范围的差距

直方图均衡化函数

•cv.equalizeHist(src[, dst]) ->dst

•src必须是八位单通道图像*

•dst返回结果图像，类型与src保持一致

彩色直方图均衡化可以先转换到HSV空间然后对V通道均衡化（只对亮度通道增强）

#22直方图均衡化
def hist_equ():
    image = cv.imread("123.jpg",cv.IMREAD_GRAYSCALE)
    cv.imshow("input",image)
    hist = cv.calcHist([image], [0], None, [32], [0,256])
    print(hist.dtype)
    plt.plot(hist,color = "gray")
    plt.xlim([0,32])
    plt.show()
    cv.waitKey(0)

    eqimg = cv.equalizeHist(image)
    hist = cv.calcHist([eqimg], [0], None, [32], [0,256])
    print(hist.dtype)
    plt.plot(hist, color = "gray")
    plt.xlim([0,32])
    plt.show()
    cv.waitKey(0)
    cv.destroyAllWindows()

23图像卷积操作

卷积的本质是线性组合。

图像卷积定义

卷积的边缘填充

•边缘处理，边缘填充的方式

•（1）cv.BORDER_DEFAULT gfedcb|abcdefgh|gfedcba

•（2）cv.BORDER_WRAP cdefgh|abcdefgh|abcdefg

•（3）cv.BORDER_CONSTANT iiiiii|abcdefgh|iiiiiii

卷积模糊函数

•cv.blur( src,ksize[, dst[, anchor[,borderType]]]) ->*dst

​ •src表示输入图像 CV_8U, CV_32F or CV_64F*

​ •Ksize卷积核大小

​ •Anchor锚定位置（被平滑的点），默认值(-1,-1)，如果这个点坐标是负值的话，就表示取核的中心为锚点

​ •borderType边缘处理方式

#23图像卷积操作
def conv_demo():
    image = cv.imread("123.jpg")
    dst = np.copy(image)
    cv.imshow("input",image)
    h, w, c = image.shape
    for row in range(1, h-1, 1):
        for col in range(1, w-1, 1):
            m = cv.mean(image[row-2:row+2, col-2:col+2])
            dst[row, col] = (int(m[0]), int(m[1]), int(m[2]))
    cv.imshow("convolution-demo", dst)

    # blured = cv.blur(image, (5,5), anchor=(-1, -1)) #修改Ksize数值调整模糊程度
    # cv.imshow("blur-demo", blured)

    cv.waitKey(0)
    cv.destroyAllWindows()

24高斯模糊

用高斯公式产生高斯卷积核

卷积核根据高斯函数生成，权重系数不同

高斯函数

cv.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) ->dst

​ •ksize必须是正数而且是奇数（中心对称）

​ •sigmaX高斯核函数X方向标准方差

​ •sigmaY高斯核函数Y方向标准方差,默认0，表示跟sigmaX相同

​ •ksize==0表示从sigmaX计算生成ksize

​ •ksize >0 表示从ksize计算生成sigmaX，此时无视signaX所给的值

#24高斯模糊
def gaussian_blur_demo():
    image = cv.imread("123.jpg")
    cv.imshow("input",image)
    g1 = cv.GaussianBlur(image, (0, 0), 15)
    g2 = cv.GaussianBlur(image, (15, 15), 15)
    cv.imshow("GaussianBlur-demo1", g1)
    cv.imshow("GaussianBlur-demo2", g2)

    cv.waitKey(0)
    cv.destroyAllWindows()