Python图像处理--直方图，高斯滤波，直方图均衡化
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python图像处理--直方图，高斯滤波，直方图均衡化，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4718字，纯文字阅读大概需要7分钟。
内容图文
一，PIL（Python Imaging Library Python，图像处理类库）提供了通用的图像处理功能，以及大量有用的基本图像操作，比如图像缩放、裁剪、旋转、颜色转换等。利用 PIL 中的函数，我们可以从大多数图像格式的文件中读取数据，然后写入最常见的图像格式文件中。PIL 中最重要的模块为 Image。我们处理数学运算、绘制图表，或者在图像上绘制点、直线和曲线时，Matplotlib是个很好的类库，具有比 PIL 更强大的绘图功能。Matplotlib 可以绘制出高质量的图表，就像本书中的许多插图一样。Matplotlib 中的 PyLab 接口包含很多方便用户创建图像的函数。
NumPy是非常有名的 Python 科学计算工具包，其中包含了大量有用的思想，比如数组对象（用来表示向量、矩阵、图像等）以及线性代数函数。NumPy 中的数组对象可以帮助你实现数组中重要的操作，比如矩阵乘积、转置、解方程系统、向量乘积和归一化，这为图像变形、对变化进行建模、图像分类、图像聚类等提供了基础。 二，直方图
图像的直方图用来表征该图像像素值的分布情况。用一定数目的小区间（bin）来指定表征像素值的范围，每个小区间会得到落入该小区间表示范围的像素数目。图像的直方图可以使用 hist() 函数绘制。hist() 函数的第二个参数指定小区间的数目。需要注意的是，因为 hist() 只接受一维数组作为输入，所以我们在绘制图像直方图之前，必须先对图像进行压平处理。flatten() 方法将任意数组按照行优先准则转换成一维数组。 代码如下：
1 from PIL import Image
2 from pylab import *
3 #读取图像到数组
4 im=array(Image.open('11.JPG').convert('L'))
5 #新建一个图像
6 figure()
7 #不使用颜色信息
8 gray()
9 #在原点的左上角显示轮廓图像
10 contour(im,origin='image')
11 axis('equal')
12 axis('off')
13 figure()
14 hist(im.flatten(),128)
15 show()
效果：
原图
轮廓图
直方图
三，高斯滤波
高斯滤波是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。其滤波核的值由如下公式得到（用当前点与中心点的欧式距离的平方代替下面的
（x2+y2）:
代码如下：
1 import cv2
2 import numpy as np
3 import matplotlib.pyplot as plt
4
5 #读取图片
6 img = cv2.imread('11.JPG')
7 source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
8
9 #高斯滤波，这里使用15*15的卷积核
10 result = cv2.GaussianBlur(source, (15,15), 0)
11
12 #显示图形
13 titles = ['Source Image', 'GaussianBlur Image']
14 images = [source, result]
15 for i in range(2):
16 plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')
17 plt.title(titles[i])
18 plt.xticks([]),plt.yticks([])
19 plt.show()
效果：
四，直方图均衡化
图像灰度变换中一个非常有用的例子就是直方图均衡化。直方图均衡化是指将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。在这种情况下，直方图均衡化的变换函数是图像中像素值的累积分布函数（cumulative distribution function，简写为 cdf，将像素值的范围映射到目标范围的归一化操作）。 代码： 1 import cv2 # 仅用于读取图像矩阵
2 import matplotlib.pyplot as plt
3 import numpy as np
4 from PIL import Image
5 gray_level = 256 # 灰度级
6
7
8 def pixel_probability(img):
9 """
10 计算像素值出现概率
11 :param img:
12 :return:
13 """
14 assert isinstance(img, np.ndarray)
15
16 prob = np.zeros(shape=(256))
17
18 for rv in img:
19 for cv in rv:
20 prob[cv] += 1
21
22 r, c = img.shape
23 prob = prob / (r * c)
24
25 return prob
26
27
28 def probability_to_histogram(img, prob):
29 """
30 根据像素概率将原始图像直方图均衡化
31 :param img:
32 :param prob:
33 :return: 直方图均衡化后的图像
34 """
35 prob = np.cumsum(prob) # 累计概率
36
37 img_map = [int(i * prob[i]) for i in range(256)] # 像素值映射
38
39 # 像素值替换
40 assert isinstance(img, np.ndarray)
41 r, c = img.shape
42 for ri in range(r):
43 for ci in range(c):
44 img[ri, ci] = img_map[img[ri, ci]]
45
46 return img
47
48
49 def plot(y, name):
50 """
51 画直方图，len(y)==gray_level
52 :param y: 概率值
53 :param name:
54 :return:
55 """
56 plt.figure(num=name)
57 plt.bar([i for i in range(gray_level)], y, width=1)
58
59
60 if __name__ == '__main__':
61
62 img=Image.open('11.jpg')
63 img=img.convert('L')
64 img.save('111.jpg')
65 img = cv2.imread("111.jpg", 0) # 读取灰度图
66
67 prob = pixel_probability(img)
68 plot(prob, "原图直方图")
69
70 # 直方图均衡化
71 img = probability_to_histogram(img, prob)
72 cv2.imwrite("source_hist.jpg", img) # 保存图像
73
74 prob = pixel_probability(img)
75 plot(prob, "直方图均衡化结果")
76
77 plt.show()
效果：
灰度图
均衡化后的图
直方图
直方图均衡化
结论：
刚接触Python，对其还不太了解，掌握图像的处理是为接下来的功能实现作基础，希望自己加油。
?内容总结
以上是互联网集市为您收集整理的Python图像处理--直方图，高斯滤波，直方图均衡化全部内容，希望文章能够帮你解决Python图像处理--直方图，高斯滤波，直方图均衡化所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。