第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波11 - 直方图处理

使用直方图统计量增强图像

全局均值和方差
$μn=∑i=0L−1(ri−m)np(ri)(3.24)\mu_{n} = \sum_{i=0}^{L-1} (r_{i} - m)^{n} p(r_{i}) \tag{3.24}$
$\sum_{i=0}^{L-1} r_{i} p(r_{i}) \tag{3.25}$
$σ2=μ2=∑i=0L−1(ri−m)2p(ri)(3.26)\sigma^{2} = \mu_{2} = \sum_{i=0}^{L-1} (r_{i} - m)^{2} p(r_{i}) \tag{3.26}$

邻域均值和方差
令 $S_{xy}$ 是以 $(x, y)$ 为中心的一个规定大小的邻域
$mSxy=∑i=0L−1riPSxy(ri)(3.27)m_{S_{xy}} = \sum_{i=0}^{L-1}r_{i} P_{S_{xy}}(r_{i}) \tag{3.27}$
$σSxy2=∑i=0L−1(ri−mSxy)2PSxy(ri)(3.28)\sigma_{S_{xy}}^2 = \sum_{i=0}^{L-1} (r_{i} - m_{S_{xy}})^2 P_{S_{xy}}(r_{i}) \tag{3.28}$

$=\begin{cases} Cf(x,y), & k_0 m_G \leq m_{S_{xy}} \leq k_1 m_G \;\text{AND}\; k_2 \sigma_G \leq \sigma_{S_{xy}} \leq k_3 \sigma_G \\ f(x,y), & \text{others}\end{cases} \tag{3.29}$

$k_0, k_1, k_2, k_3, C$ 选择的一些方法：
如果我们的关注点是比平均灰度的1/4更暗的区域，那么选择 $k_0=0, k_1=0.25$ 。如果我们的兴趣是增强那么对比度比较低的区域，则 $k_2=0, k_3=0.1$ 。
满足条件的乘以一个规定常数 $C$ ，增大（或减小）其相对于图像剩下部分的灰度。

下图像中 $mG=161,σG=103m_G = 161, \sigma_G = 103$ ，图像和待增强区域的最大灰度值分别是是228和10，最小值是为。我们希望增强后的特征的最大值与图像的最大值相同，因此选择 $C = 22.8$

def histogram_statistic(img_ori, grid_size = (3, 3), k0 = 0., k1 = 0.1, k2 = 0., k3 = 0.1, C = 22.8):"""Histogram statistic enhance local imageparam: input img_ori: uint8[0, 255] grayscal imageparam: grid size : size of the sliding window, default is [3, 3]"""m_G = np.round(np.mean(img_ori)).astype(int)sigma_G = np.round(np.std(img_ori)).astype(int)
#     max_img = img_ori.max()
#     min_img = img_ori.min()
#     img_roi = img_ori[12:120, 12:120]
#     max_roi = img_roi.max()
#     print(f'Global mean -> {m_G}, Global sigma -> {sigma_G}, Max -> {max_img}, Min -> {min_img}, ROI Max -> {max_roi}')img_dst = img_ori.copy()height, width = img_ori.shapem = grid_size[0]n = grid_size[1]for h in range(height):for w in range(width):temp = img_ori[h:h+m, w:w+n]temp_mean = np.round(np.mean(temp)).astype(int)temp_sigma = np.round(np.std(temp)).astype(int)if k0 * m_G <= temp_mean <= k1 * m_G and k2 * sigma_G <= temp_sigma <= k3 * sigma_G:temp = (C * temp)img_dst[h:h+m, w:w+n] = tempreturn img_dst

# 使用直方图统计增强局部图像
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH03/Fig0326(a)(embedded_square_noisy_512).tif', 0)
m_G = np.round(np.mean(img_ori)).astype(int)
sigma_G = np.round(np.std(img_ori)).astype(int)
max_img = img_ori.max()
min_img = img_ori.min()
img_roi = img_ori[12:120, 12:120]
max_roi = img_roi.max()
print(f'Global mean -> {m_G}, Global sigma -> {sigma_G}, Max -> {max_img}, Min -> {min_img}, ROI Max -> {max_roi}')# ROI 区域的最小值是11， 228/11=20.72，即20.8，实现看起来效果也不错
img_dst = histogram_statistic(img_ori, C=20.8)plt.figure(figsize=(15, 6))
plt.subplot(1, 3, 1), plt.imshow(img_ori, cmap='gray', vmin=0, vmax=255), plt.title('Original')
plt.subplot(1, 3, 2), plt.imshow(img_dst, cmap='gray', vmin=0, vmax=255), plt.title(f'Histogram statistic')
plt.tight_layout()
plt.show()

Global mean -> 161, Global sigma -> 103, Max -> 228, Min -> 0, ROI Max -> 11

第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波11 - 直方图处理 - 使用直方图统计量增强图像相关推荐

第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波1 - 灰度变换和空间滤波基础、Sigmoid激活函数
这里写目录标题本节的目标背景灰度变换和空间滤波基础本节的目标了解空间域图像处理的意义,以及它与变换域图像处理的区别熟悉灰度变换所有的主要技术了解直方图的意义以及如何操作直方图来增强图像 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波8 - 直方图处理 - 直方图均衡化（全局直方图均衡化）
直方图均衡化灰度映射函数: s=T(r),0≤r≤L−1(3.8)s = T(r), \quad 0\leq r \leq L -1 \tag{3.8}s=T(r),0≤r≤L−1(3.8) 假设: ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波18 - 低通、高通、带阻和带通滤波器、组合使用空间增强方法
低通.高通.带阻和带通滤波器得到空间滤波器的第三种方法,生成一维滤波器函数,然后要么使用式(3.42)w=vvTw = vv^Tw=vvT生成二维可分离的滤波器函数,要么旋转这些一维函数来生成二维核 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波17 - 锐化高通滤波器 - 梯度图像（罗伯特，Sobel算子）
目录锐化(高通)空间滤波器使用一阶导数锐化图像-梯度锐化(高通)空间滤波器平滑通过称为低通滤波类似于积分运算锐化通常称为高通滤波微分运算高过(负责细节的)高频,衰减或抑制低频使用一阶 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波15 - 锐化高通滤波器 -拉普拉斯核（二阶导数）
目录锐化(高通)空间滤波器基础 - 一阶导数和二阶导数的锐化滤波器二阶导数锐化图像--拉普拉斯锐化(高通)空间滤波器平滑通过称为低通滤波类似于积分运算锐化通常称为高通滤波微分运算高过 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波16 - 锐化高通滤波器 - 钝化掩蔽和高提升滤波
目录锐化(高通)空间滤波器钝化掩蔽和高提升滤波锐化(高通)空间滤波器平滑通过称为低通滤波类似于积分运算锐化通常称为高通滤波微分运算高过(负责细节的)高频,衰减或抑制低频钝化掩蔽和高提 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波13 - 平滑低通滤波器 -盒式滤波器核
这里写目录标题平滑(低通)空间滤波器盒式滤波器核平滑(低通)空间滤波器平滑(也称平均)空间滤波器用于降低灰度的急剧过渡在图像重取样之前平滑图像以减少混淆用于减少图像中无关细节平滑因灰度级 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波10 - 直方图处理 - 局部直方图处理
这里写目录标题局部直方图处理局部直方图处理因为像素是由基于整个图像的灰度的变换函数修改的.这种全局性方法适合于整体增强,但当目的是增强图像中几个小区域的细节时,通常就会失败.这是因为在这些小区域 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波9 - 直方图处理 - 直方图匹配（规定化）灰度图像，彩色图像都适用
直方图匹配(规定化) 连续灰度 s=T(r)=(L−1)∫0rpr(w)dw(3.17)s = T(r) = (L-1) \int_{0}^{r} p_r(w) \text{d} w \tag{3.1 ...

第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波11 - 直方图处理 - 使用直方图统计量增强图像

使用直方图统计量增强图像

第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波11 - 直方图处理 - 使用直方图统计量增强图像相关推荐

最新文章

热门文章