Python圖像運算之圖像灰度直方圖對比詳解
一.灰度增強直方圖對比
圖像灰度上移變換使用的表達式為：
DB=DA+50
該算法將實現(xiàn)圖像灰度值的上移，從而提升圖像的亮度，結(jié)合直方圖對比的實現(xiàn)代碼如下所示。
# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取圖像
img = cv2.imread('lena-hd.png')
#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)
#圖像灰度上移變換 DB=DA+50
for i in range(height):
for j in range(width):
if (int(grayImage[i,j]+50) > 255):
gray = 255
else:
gray = int(grayImage[i,j]+50)
result[i,j] = np.uint8(gray)
#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])
#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])
#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')
#繪制掩膜
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")
#繪制掩膜設(shè)置后的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')
#繪制直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()
其運行結(jié)果如圖1所示，其中（a）表示原始圖像，（b）表示對應(yīng)的灰度直方圖，（c）表示灰度上移后的圖像，（d）是對應(yīng)的直方圖。對比發(fā)現(xiàn)，圖1（d）比圖1（b）的灰度級整體高了50，曲線整體向右平移了50個單位。
二.灰度減弱直方圖對比
該算法將減弱圖像的對比度，使用的表達式為：
DB=DA×0.8
Python結(jié)合直方圖實現(xiàn)灰度對比度減弱的代碼如下所示。
# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取圖像
img = cv2.imread('lena-hd.png')
#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)
#圖像對比度減弱變換 DB=DA×0.8
for i in range(height):
for j in range(width):
gray = int(grayImage[i,j]*0.8)
result[i,j] = np.uint8(gray)
#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])
#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])
#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')
#繪制掩膜
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")
#繪制掩膜設(shè)置后的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')
#繪制直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()
其運行結(jié)果如圖2所示，其中（a）和（b）表示原始圖像和對應(yīng)的灰度直方圖，（c）和（d）表示灰度減弱或?qū)Ρ榷瓤s小的圖像及對應(yīng)的直方圖。圖2（d）比圖2（b）的灰度級整體縮小了0.8倍，繪制的曲線更加密集。
三.圖像反色直方圖對比
該算法將圖像的顏色反色，對原圖像的像素值進行反轉(zhuǎn)，即黑色變?yōu)榘咨?，白色變?yōu)楹谏?，使用的表達式為：
DB=255-DA
實現(xiàn)代碼如下所示。
# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取圖像
img = cv2.imread('lena-hd.png')
#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)
#圖像灰度反色變換 DB=255-DA
for i in range(height):
for j in range(width):
gray = 255 - grayImage[i,j]
result[i,j] = np.uint8(gray)
#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])
#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])
#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')
#繪制掩膜
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")
#繪制掩膜設(shè)置后的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')
#繪制直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()
其運行結(jié)果如圖3所示，其中（a）和（b）表示原始圖像和對應(yīng)的灰度直方圖，（c）和（d）表示灰度反色變換圖像及對應(yīng)的直方圖。圖3（d）與圖3（b）是反相對稱的，整個灰度值滿足DB=255-DA表達式。
四.圖像對數(shù)變換直方圖對比
該算法將增加低灰度區(qū)域的對比度，從而增強暗部的細節(jié)，使用的表達式為：
下面代碼實現(xiàn)了圖像灰度的對數(shù)變換及直方圖對比。
# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取圖像
img = cv2.imread('lena-hd.png')
#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)
#圖像灰度對數(shù)變換
for i in range(height):
for j in range(width):
gray = 42 * np.log(1.0 + grayImage[i,j])
result[i,j] = np.uint8(gray)
#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])
#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])
#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')
#繪制原始圖像直方圖
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")
#灰度變換后的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')
#灰度變換圖像的直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()
其運行結(jié)果如圖4所示，其中（a）和（b）表示原始圖像和對應(yīng)的灰度直方圖，（c）和（d）表示灰度對數(shù)變換圖像及對應(yīng)的直方圖。
五.圖像閾值化處理直方圖對比
該算法原型為threshold(Gray,127,255,cv2.THRESH_BINARY)，當前像素點的灰度值大于thresh閾值時（如127），其像素點的灰度值設(shè)定為最大值（如9位灰度值最大為255）；否則，像素點的灰度值設(shè)置為0。二進制閾值化處理及直方圖對比的Python代碼如下所示。
# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取圖像
img = cv2.imread('lena-hd.png')
#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#二進制閾值化處理
r, result = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)
#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,256])
#計算閾值化處理的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,256])
#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')
#繪制原始圖像直方圖
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")
#閾值化處理后的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')
#閾值化處理圖像的直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()
其運行結(jié)果如圖5所示，其中（a）和（b）表示原始圖像和對應(yīng)的灰度直方圖，（c）和（d）表示圖像閾值化處理及對應(yīng)的直方圖，圖5（d）中可以看到，灰度值僅僅分布于0（黑色）和255（白色）兩種灰度級。
六.總結(jié)
本文主要講解圖像直方圖理論知識以及直方圖繪制方法，包括灰度增強直方圖對比、灰度減弱直方圖對比、圖像反色直方圖對比、圖像對數(shù)變換直方圖對比、圖像閾值化處理直方圖對比?；叶戎狈綀D是灰度級的函數(shù)，描述的是圖像中每種灰度級像素的個數(shù)，反映圖像中每種灰度出現(xiàn)的頻率。這篇文章的知識點將為后續(xù)圖像處理和圖像運算對比提供支撐。
以上就是Python圖像運算之圖像灰度直方圖對比詳解的詳細內(nèi)容，更多關(guān)于Python灰度直方圖對比的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要介紹了python 讀取.nii格式圖像實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-07-07
python可迭代類型遍歷過程中數(shù)據(jù)改變會不會報錯
這篇文章主要介紹了python可迭代類型遍歷過程中數(shù)據(jù)改變會不會報錯問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-12-12
Python具有強大的文件處理功能,如文件的創(chuàng)建、打開、文件內(nèi)容的寫入、讀出文件中的內(nèi)容等等,這篇文章主要介紹了Python文件與文件夾操作,需要的朋友可以參考下2023-09-09
python網(wǎng)絡(luò)編程學習筆記(六)：Web客戶端訪問
這篇文章主要介紹了python網(wǎng)絡(luò)編程之Web客戶端訪問 ,需要的朋友可以參考下2014-06-06
今天小編就為大家分享一篇Python序列類型的打包和解包實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要為大家詳細介紹了python機器學習之隨機森林，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-03-03
Python實現(xiàn)的讀取/更改/寫入xml文件操作示例
這篇文章主要介紹了Python實現(xiàn)的讀取/更改/寫入xml文件操作,涉及Python針對xml文件的讀取、節(jié)點操作、寫入等相關(guān)實現(xiàn)技巧,需要的朋友可以參考下2018-08-08
這篇文章主要為大家詳細介紹了利用python實現(xiàn)漢諾塔游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-03-03
Python實現(xiàn)Matplotlib,Seaborn動態(tài)數(shù)據(jù)圖的示例代碼
這篇文章主要為大家詳細介紹了如何讓Matplotlib、Seaborn的靜態(tài)數(shù)據(jù)圖動起來，變得栩栩如生。文中的示例代碼講解詳細，感興趣的小伙伴可以學習一下2022-05-05
python連接sql?server數(shù)據(jù)庫的方法實戰(zhàn)
當我們用Python來編寫網(wǎng)站,必須要能夠通過python操作數(shù)據(jù)庫,下面這篇文章主要給大家介紹了關(guān)于python連接sql?server數(shù)據(jù)庫的相關(guān)資料,文中通過圖文介紹的非常詳細,需要的朋友可以參考下2022-08-08