Python圖像運算之圖像灰度直方圖對比詳解

更新時間：2022年08月12日 10:30:49 作者：Eastmount

本篇文章將結合直方圖分別對比圖像灰度變換前后的變化，方便大家更清晰地理解灰度變換和閾值變換，文中的示例代碼講解詳細，需要的可以參考一下

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()

其運行結果如圖1所示，其中（a）表示原始圖像，（b）表示對應的灰度直方圖，（c）表示灰度上移后的圖像，（d）是對應的直方圖。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()

其運行結果如圖2所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示灰度減弱或對比度縮小的圖像及對應的直方圖。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，即黑色變?yōu)榘咨?，白色變?yōu)楹谏褂玫谋磉_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()

其運行結果如圖3所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示灰度反色變換圖像及對應的直方圖。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()

其運行結果如圖4所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示灰度對數(shù)變換圖像及對應的直方圖。

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()

其運行結果如圖5所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示圖像閾值化處理及對應的直方圖，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

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，更多關于Python灰度直方圖對比的資料請關注腳本之家其它相關文章！

您可能感興趣的文章:

NumPy 如何生成多維數(shù)組的方法
這篇文章主要介紹了NumPy 如何生成多維數(shù)組的方法,小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧
2018-02-02
Python?UnicodedecodeError編碼問題解決方法匯總
本文主要介紹了Python?UnicodedecodeError編碼問題解決方法匯總，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
2022-08-08
keras的ImageDataGenerator和flow()的用法說明
這篇文章主要介紹了keras的ImageDataGenerator和flow()的用法說明，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右對齊的實例方法
在本篇文章里小編給大家整理的是關于python右對齊的實例方法，有需要的朋友們可以學習參考下。
2020-07-07
詳解小白之KMP算法及python實現(xiàn)
在看子串匹配問題的時候，書上的關于KMP的算法的介紹總是理解不了?？戳艘槐榇a總是很快的忘掉，后來決定好好分解一下KMP算法，算是給自己加深印象。感興趣的朋友跟隨小編一起看看吧
2019-04-04
Python刪除n行后的其他行方法
今天小編就為大家分享一篇Python刪除n行后的其他行方法，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
2019-01-01
Django REST framework 異常處理
本文將結合實例代碼，介紹Django REST framework 異常處理，文中通過示例代碼介紹的非常詳細，需要的朋友們下面隨著小編來一起學習學習吧
2021-07-07
Python巧用SnowNLP實現(xiàn)生成srt字幕文件
SnowNLP是一個可以方便的處理中文文本內(nèi)容的python類庫,本文主要為大家詳細介紹了Python如何巧用SnowNLP實現(xiàn)將一段話一鍵生成srt字幕文件,感興趣的可以了解下
2024-01-01
PyCharm 2019.3發(fā)布增加了新功能一覽
這篇文章主要介紹了PyCharm 2019.3發(fā)布，增加了新功能一覽,本文給大家介紹的非常詳細，具有一定的參考借鑒價值，需要的朋友可以參考下
2019-12-12
Python?logging日志模塊的概念與實踐講解
本文通過具體的代碼示例為大家解釋了如何高效地使用logging模塊進行日志記錄，以及如何避免常見的陷阱，希望可以幫助大家更好地掌握這個強大的工具
2023-07-07