计算机视觉-图像处理基础

一.灰度图

二.直方图

1.原理

2.实现

三.高斯滤波

1.原理

2.实现

四.直方图均衡化

1.原理

2.实现

一.灰度图

把白色和黑色之间按照对数关系分为若干个等级，称为灰度。灰度一共分为256阶。用灰度表示的图像称为灰度图像。任何颜色都有红、绿、蓝三原色（RGB）组成，而灰度图像只有一个通道，有256个灰度等级，255表示最白，0表示最黑

在实验中，我使用了convert（）实现由彩色图像向灰度图像的转换
PIL中convert（）的原理：

1.img = img.convert()
PIL有九种不同的模式：1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。

2.img.convert(‘1’)
为二值图像，非黑即白。每个像素用8个bit表示，0表示黑，255表示白。

3.img.convert(‘L’)
为灰度图像，每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
转换公式：L = R * 299/1000 + G * 587/1000+ B * 114/1000。

二.直方图

1.原理

图像的直方图是用来表征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。

2.实现

三.高斯滤波

1.原理

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。
通俗的讲，高斯滤波就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。

2.实现

四.直方图均衡化

1.原理

直方图均衡化(Histogram Equalization) 又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。

2.实现

def Histeq(img,nbr_bins=256):#计算图像的直方图imhist,bins=histogram(img.flatten(),nbr_bins)#累计分布函数cdf = imhist.cumsum()#归一化cdf = 255*cdf/cdf[-1]#使用累积分布函数的线性插值，计算新的像素值img2 = interp(img.flatten(),bins[:-1],cdf)return img2.reshape(img.shape),cdfif __name__ == '__main__':#直方图均衡化#解决title是方框的问题mpl.rcParams['font.sans-serif'] = ['SimHei']img = array(Image.open('1.jpg').convert('L'))img2,cdf = Histeq(img)figure()subplot(2, 2, 1)#关闭所有坐标轴线、刻度标记和标签axis('off')gray()title('原始图像')imshow(img)subplot(2, 2, 2)axis('off')title('直方图均衡化后的图像')imshow(img2)subplot(2, 2, 3)axis('off')title('原始直方图')# hist(im.flatten(), 128, cumulative=True, normed=True)hist(img.flatten(), 128)subplot(2, 2, 4)axis('off')title('均衡化后的直方图')# hist(im2.flatten(), 128, cumulative=True, normed=True)hist(img2.flatten(), 128)show()