怎么把网站封包做app,江西省城乡建设培训网 官方网站,城子河网站建设,做网站手机版和电脑版怎么区分1#xff1a;图像直方图
将原彩色图像转成灰度图像#xff0c;得到该灰度图像的灰度直方图#xff0c;并对灰度直方图进行直方图均衡化#xff0c;将原图、灰度图、直方图及均衡化后的直方图一起拼接为一张图片
import cv2
import numpy as np
import matplotlib.pyp…1图像直方图
将原彩色图像转成灰度图像得到该灰度图像的灰度直方图并对灰度直方图进行直方图均衡化将原图、灰度图、直方图及均衡化后的直方图一起拼接为一张图片
import cv2
import numpy as np
import matplotlib.pyplot as plt # 读取原彩色图像
img cv2.imread(rinput.jpg) # 将原彩色图像转换为灰度图像
gray_img cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 获取灰度直方图
hist, bins np.histogram(gray_img.flatten(), 256, [0, 256]) # 进行直方图均衡化
equ_img cv2.equalizeHist(gray_img) # 获取均衡化后的灰度直方图
equ_hist, bins np.histogram(equ_img.flatten(), 256, [0, 256]) # 绘制原图、灰度图、直方图和均衡化后的直方图
fig, axs plt.subplots(2, 2)
axs[0, 0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
axs[0, 0].set_title(Original Image)
axs[0, 1].imshow(gray_img, cmapgray)
axs[0, 1].set_title(Grayscale Image)
axs[1, 0].hist(gray_img.flatten(), 256, [0, 256])
axs[1, 0].set_title(Original Histogram)
axs[1, 1].hist(equ_img.flatten(), 256, [0, 256])
axs[1, 1].set_title(Equalized Histogram)
plt.tight_layout() # 保存拼接后的图片
plt.savefig(rout.jpg)
eg. 2图像变换
对作品一的灰度图像进行傅里叶变换转成频域图像对该频域图像分别进行低通和高通滤波后做傅里叶逆变换还原得到两幅图像将灰度图像、频域图像、低通还原图像及高通还原图像一起拼接为一张图片
import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取原彩色图像
img cv2.imread(rinput.jpg) # 将原彩色图像转换为灰度图像
gray_image cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 进行傅里叶变换
f_transform np.fft.fft2(gray_image)
fshift np.fft.fftshift(f_transform)
magnitude_spectrum 20 * np.log(np.abs(fshift))# 创建一个低通滤波器示例中使用方形掩码
rows, cols gray_image.shape
crow, ccol rows // 2, cols // 2
low_pass_filter np.zeros((rows, cols), np.uint8)
low_pass_filter[crow-30:crow30, ccol-30:ccol30] 1# 应用低通滤波器
fshift_low fshift * low_pass_filter# 创建一个高通滤波器高通滤波器是低通滤波器的逆
high_pass_filter 1 - low_pass_filter# 应用高通滤波器
fshift_high fshift * high_pass_filter# 傅里叶逆变换还原
img_low np.fft.ifftshift(fshift_low)
img_low np.fft.ifft2(img_low)
img_low np.abs(img_low)img_high np.fft.ifftshift(fshift_high)
img_high np.fft.ifft2(img_high)
img_high np.abs(img_high)# 调整图像位置
result_image np.zeros((rows*2, cols*2), dtypenp.uint8)
result_image[0:rows, 0:cols] gray_image
result_image[0:rows, cols:] magnitude_spectrum
result_image[rows:, 0:cols] img_low
result_image[rows:, cols:] img_high# 显示并保存拼接后的图像
cv2.imwrite(routput.jpg, result_image)
plt.imshow(result_image, cmapgray)
plt.axis(off)
plt.show()
eg. 3图像平滑
从作品一的原彩色图像中的任意位置截取一块大小为 300*400 的图像块然后添加高斯噪声并用任意一种平滑方法均值滤波、高斯滤波、中值滤波对图像进行平滑处理将原图截取的图像块、加噪图像及平滑图像一起拼接为一张图片
import cv2
import numpy as np# 读取原彩色图像
original_image cv2.imread(rinput.jpg)# 截取图像块
x, y 100, 200 # 起始坐标请根据需要修改
roi original_image[y:y300, x:x400]# 添加高斯噪声
mean 0
stddev 25 # 调整噪声的强度
gaussian_noise np.random.normal(mean, stddev, roi.shape).astype(np.uint8)
noisy_roi cv2.add(roi, gaussian_noise)# 使用均值滤波对图像进行平滑处理
smoothed_mean cv2.blur(noisy_roi, (5, 5)) # 调整内核大小# 创建一个空白的拼接图像
result_image np.zeros((300, 1200, 3), dtypenp.uint8)# 将原图截取的图像块、加噪图像和平滑图像拼接在一起
result_image[0:300, 0:400] roi
result_image[0:300, 400:800] noisy_roi
result_image[0:300, 800:1200] smoothed_mean# 保存拼接后的图像
cv2.imwrite(routput.jpg, result_image)
eg.
