python高通滤波器设计_python实现直方图均衡化,理想高通滤波与高斯低通滤波
写在前面
HIT大三上学期视听觉信号处理课程中视觉部分的实验二,经过和学长们实验的对比发现每一级实验要求都不一样,因此这里标明了是2019年秋季学期的视觉实验二。
由于时间紧张,代码没有进行任何优化,实验算法仅供参考。
实验要求
实现图像直方图均衡化,要求显示均衡化前、后直方图以及均衡化后图像。
对单通道图像进行DFT变换,要求显示幅度图和相位图,并设计理想高通滤波器和高斯低通滤波器对图像进行频域滤波,并显示滤波之后的图像。 注:除DFT和IDFT外,不允许调库
实验代码
代码首先贴在这里,仅供参考
首先是实现图像直方图均衡化的代码
from ReadBmp import ReadBmp
import matplotlib.pyplot as plt
import numpy as np
filename1 = "1.bmp"
bmp = ReadBmp(filename1)
bmp.gray()
# 统计各像素点数
h = np.array([0 for i in range(256)])
h1 = []
for pixel in bmp.data:
h[pixel[0]] = h[pixel[0]] + 1
h1.append(pixel[0])
# 画出原先的直方图
plt.subplot(1,2,1)
plt.hist(h1, bins = 256)
# 归一化
hs = h / len(bmp.data)
# 计算累计分布
hp = np.array([0.0 for i in range(256)])
for i in range(256):
hp[i] = np.round(np.sum(hs[0:i+1]) * 255)
T = hp.astype('uint8')
# 创建新图像,并统计新图像的各个像素点的个数
hn = np.array([0 for i in range(256)])
h2 = []
for pixel in bmp.data:
s = T[pixel[0]]
pixel[0] = s
pixel[1] = s
pixel[2] = s
hn[pixel[0]] = hn[pixel[0]] + 1
h2.append(s)
bmp.creataBmp("2.bmp")
# 画出新图像的直方图
plt.subplot(1,2,2)
plt.hist(h2, bins = 256)
plt.show()
其中读取bmp图像的程序是我自己写的,这里不再赘述(直接调用了实验一写好的bmp文件读取程序,具体代码见github)
然后是理想高通滤波和高斯低通滤波的程序
import numpy as np
import cv2
import matplotlib.pyplot as plt
def IdealHighPassFiltering(f_shift):
# 设置滤波半径
D0 = 8
# 初始化
m = f_shift.shape[0]
n = f_shift.shape[1]
h1 = np.zeros((m, n))
x0 = np.floor(m/2)
y0 = np.floor(n/2)
for i in range(m):
for j in range(n):
D = np.sqrt((i - x0)**2 + (j - y0)**2)
if D >= D0:
h1[i][j] = 1
result = np.multiply(f_shift, h1)
return result
def GaussLowPassFiltering(f_shift):
# 设置滤波半径
D0 = 8
# 初始化
m = f_shift.shape[0]
n = f_shift.shape[1]
h1 = np.zeros((m, n))
x0 = np.floor(m/2)
y0 = np.floor(n/2)
for i in range(m):
for j in range(n):
D = np.sqrt((i - x0)**2 + (j - y0)**2)
h1[i][j] = np.exp((-1)*D**2/2/(D0**2))
result = np.multiply(f_shift, h1)
return result
img =cv2.imread('1.bmp',0)
f=np.fft.fft2(img)
f_shift=np.fft.fftshift(f)
# 幅度图
s= np.log(abs(f_shift))
# 相位图
p= abs(np.angle(f_shift))
plt.subplot(2,2,1)
plt.imshow(s, 'gray')
plt.subplot(2,2,2)
plt.imshow(p, 'gray')
# 理想高通滤波
IHPF = IdealHighPassFiltering(f_shift)
new_f1 = np.fft.ifftshift(IHPF)
new_image1 = np.uint8(np.abs(np.fft.ifft2(new_f1)))
plt.subplot(2,2,3)
plt.imshow(new_image1, 'gray')
# 高斯低通滤波
GLPF = GaussLowPassFiltering(f_shift)
new_f2 = np.fft.ifftshift(GLPF)
new_image2 = np.uint8(np.abs(np.fft.ifft2(new_f2)))
plt.subplot(2,2,4)
plt.imshow(new_image2, 'gray')
plt.show()
实验结果
实验结果的图像如下图所示
这是直方图均衡化的运行结果,其中左图是做直方图均衡化前对像素统计的直方图,右图是做直方图均衡化后对像素统计的直方图
这是画出图像的幅度图和相位图,对图像做理想高通滤波和高斯低通滤波的结果,其中1是幅度图,2是相位图,3是理想高通滤波的结果,4是高斯低通滤波的结果
要点讲解
关于实验算法的大致流程,已在程序中用注释标明,这里只记录需要注意的地方
在直方图均衡化中,要注意直方图函数的用法,该函数可以对输入的矩阵中的数值进行自动的分类,而不用手动分好之后再用直方图函数去画,之前没有仔细看该函数的用法,导致找了好长时间没找到问题。
关于直方图均衡化的原理,需要一定的数学公式的推导,然而其结论十分简单,只有一个公式,对理解公式推导无需求的直接拿公式来用就可以了。(即程序中的归一化加计算累积分布部分)
关于理想高通滤波和高斯低通滤波,可以看到其代码大体框架是一致的,只有中间if语句中的判断条件不一样,理解原理之后直接替换if语句即可。
最终画出理想高通滤波的图像时,网上给出的一些运行结果可能和我们运行的不一致,类似于下图中图一的图像,原因在于这一句话中:new_image1 = np.uint8(np.abs(np.fft.ifft2(new_f1))),注意到中间调用了np.abs()函数,由于经过DFT变换之后所得的数值是复数,而不是实数,若将np.abs()替换为np.real(),即只取其实部,则得到的是图一,而使用np.abs(),得到的则是图二。个人感觉图二才是相对正确一些的结果,图一相当于将虚部舍弃掉了,这是不太好的。
以下是图一
以下是图二
知识总结
关于直方图均衡化的数学原理,我参考的是这篇博客。直方图均衡化的公式推导较为复杂,然而其结果却十分简单,因此在python中一个循环就实现了。
直方图均衡化的数学原理
其中在理想高通和高斯低通滤波器中,需要用到矩阵乘法,关于几种不同的矩阵乘法参考的是这篇博客
numpy 三种矩阵乘法
实验总结
很简单的一个实验,总时间加起来大致4个小时左右,做这么快的主要原因是,本来同学来哈尔滨找我玩,正玩得开心,结果突然告诉我这个实验要今天晚上交(之前以为这个实验还有一周的ddl),所以潜能爆发,从三点写到六点差不多就写完了
python高通滤波器设计_python实现直方图均衡化,理想高通滤波与高斯低通滤波相关推荐
- python高通滤波_python实现直方图均衡化,理想高通滤波与高斯低通滤波
写在前面 HIT大三上学期视听觉信号处理课程中视觉部分的实验二,经过和学长们实验的对比发现每一级实验要求都不一样,因此这里标明了是2019年秋季学期的视觉实验二. 由于时间紧张,代码没有进行任何优化, ...
- python理想低通滤波、巴特沃斯低通滤波、高斯低通滤波实现
代码 代码如下(示例): import numpy as np import cv2 as cv image = cv.imread('2.PNG') # print(image.shape) ima ...
- 用matlab编程实现数字图像理想低通滤波、高斯低通滤波和巴特沃斯低通滤波去噪算法
1 理想低通滤波 %理想低通 I = imread('fig.png'); I=rgb2gray(I); figure(1); subplot(221),imshow(I); title('原图像') ...
- matalb 图像处理 低通滤波和高通滤波 (理想,巴特沃斯,高斯 含代码)
低通滤波和高通滤波 主要类型和公式 主要效果图 各类型的函数代码 最终比较代码 主要类型和公式 1.低通滤波 主要分为理想低通滤波,巴特沃斯低通滤波,高斯低通滤波 理想低通滤波: 其中:对于大小为M* ...
- c++ opencv数字图像处理:频率域滤波--低通滤波--理想低通滤波
文章目录 前言 一.理想低通滤波器(ILPF) 二.代码 三.说明 前言 数字图像处理c++ opencv(VS2019 opencv4.53)持续更新 一.理想低通滤波器(ILPF) 通过设置频率半 ...
- Matlab实现 理想低通、巴特沃斯低通、高斯低通、理想高通、巴特沃斯高通、高斯高通(d=10,50,150)
数字图像处理第二次编程课后作业 理想低通(d=10,50,150): close all; clear all;%% ---------Ideal Lowpass Filters (Fre. Doma ...
- python opencv 直方图均衡_详解python OpenCV学习笔记之直方图均衡化
本文介绍了python OpenCV学习笔记之直方图均衡化,分享给大家,具体如下: 官方文档 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_hi ...
- python+opencv图像处理之七:直方图均衡化
python+opencv图像处理之七:直方图均衡化 目录 python+opencv图像处理之七:直方图均衡化 一.直方图均衡化 二.直方图绘制 三.直方图均衡化 四.有限对比适应性直方图均衡化 一 ...
- matlab常见的图像增强技术(包括基于幂次变换,对图像进行均衡化处理,巴特沃斯低通,理想低通,梯形低通滤波, 均值滤波,中值滤波,最大,最小值滤波,修正后的阿尔法滤波器)
1.基于幂次变换中的r值,比较不同r 值下图像增强的效果 代码 : I = imread('D:\图片\TH.JFIF');subplot (1,4,1);imshow(I);title('原始图像' ...
最新文章
- 09_Mybatis开发Dao方法——mapper代理开发规范
- 如何生成安全的密码 Hash:MD5, SHA, PBKDF2, BCrypt
- C# 导出EXCEL文件
- win10电脑插耳机没声音_电脑没有声音是什么原因 教您电脑突然没声音怎么解决...
- (软件工程复习核心重点)第七章软件维护习题
- java abs在哪个包,Java StrictMath abs()方法
- .NET客户端实现Redis中的管道(PipeLine)与事物(Transactions)
- Ckeditor编辑器的配置使用
- [代码整洁之道].(美)马丁.扫描版pdf
- sql思维导图---sql函数
- 总结oracle10g在Win10上安装时出现的问题及解决方案
- 浅析R语言单因素方差分析中的多重比较
- Java源码阅读绘图规范手册--[捷特版]
- Flask 视图的高级技术
- The Source and Develop of RootKit
- 大数据行业前景如何?
- 【工具】OmniGraffle 激活码、UML模板型版
- 社区医院信息系统的设计与实现
- IT 资产管理及其重要性
- 【微信小程序】picker 滚动选择器
热门文章
- 基于迭代次数和分类准确率的两种排序
- 服务器登陆密码到期登不上去_英雄联盟手游注册系统炸服怎么回事?服务器瘫痪登不上解决方法[多图]...
- 【UAV】光流模块、测量速度、快速入门及安装使用
- 2.7 负采样-深度学习第五课《序列模型》-Stanford吴恩达教授
- 3.4 归一化网络的激活函数-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授
- 3.6 权值初始化-机器学习笔记-斯坦福吴恩达教授
- 1.2 线性回归与梯度下降-机器学习笔记-斯坦福吴恩达教授
- Ardino基础教程 21_最简单最快控制LCD1602
- 雅客EXCEL (3)-合并取消单元格、平均值、添加序号
- Linux文件系统映像:Initranfs 和 Initrd