计算机视觉----实验1

1、直方图2、高斯滤波3、均衡化

图像直方图是用一表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布的直方图。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。计算机视觉邻域常借助图像直方图来实现图像的二值化。

基本性质：
直方图没有位置信息。
直方图反映了总体灰度分布。
直方图具有可叠加性。
直方图具有统计性。

代码：

def Rgb2gray(image):
    h = image.shape[0]
    w = image.shape[1]
    grayimage  = np.zeros((h,w),np.uint8)
    for i in tqdm(range(h)):
        for j in range(w):
            grayimage [i,j] = 0.144*image[i,j,0]+0.587*image[i,j,1]+0.299*image[i,j,1]
    return grayimage
# 读取图像到数组中，并灰度化
image = cv2.imread("test.jpg")

im = array(Image.open('test.jpg').convert('L'))
# 直方图图像
# flatten可将二维数组转化为一维
hist(image.flatten(), 128)
# 显示
show()

实验结果：

原理：
高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小，更能够保持图像的整体细节。

步骤：
（1）移动相关核的中心元素，使它位于输入图像待处理像素的正上方
（2）将输入图像的像素值作为权重，乘以相关核
（3）将上面各步得到的结果相加做为输出

代码：

def GaussianBlur1(img):
    #(3, 3)表示高斯滤波器的长和宽都为5，3表示滤波器的标准差
    out=cv2.GaussianBlur(img,(5,5),3)
    cv2.imshow('out.jpg',out)

结果：

如果一副图像的像素占有很多的灰度级而且分布均匀，那么这样的图像往往有高对比度和多变的灰度色调。直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。
它的基本思想是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展像元取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。

代码：

def equalizeHist1(img):
# 直方图均衡化,调用cv2.equalizeHist 函数实心
    (b,g,r) = cv2.split(img)
    bH = cv2.equalizeHist(b)
    gH = cv2.equalizeHist(g)
    rH = cv2.equalizeHist(r)
    result_img = cv2.merge((bH,gH,rH))
# 显示原始图像
    #cv2.imshow('src_img', src_img)  
# 显示均衡化后的图像
    cv2.imshow('result_img', result_img)   

结果：