数字图像处理-- 图像的统计方法
前面我们提到,用均值滤波器、中值滤波器、高斯滤波器等可以降低图像中的噪声,其副作用是带来了图像模糊。我们降低噪声的目的,当然是为了提高图像的质量,这是“图像增强”的一个重要应用。
那图像质量怎么评价呢?这是个不同人有不同见解,比较主观的事情。图像增强从一开始就是建立在特定问题的基础上的。对于不同的特定问题,就需要不同的图像增强方法,其增强后的图像质量当然评价标准也不一样。因此,并不存在“通用”的图像增强理论。
但是主观的事情,并不代表完全没有客观的评价标准。我们看下面3张图:
从主观上我们看,第一幅,第二幅图像整体偏暗,没有第3幅图像好。整体偏暗表示灰度值都比较低,而且灰度值之间相差不大。
我们知道,统计学中最基本的统计量是均值和标准差。表示一组数据中的平均值和数值之间的离散程度。而一副图像就是一个矩阵数组,表示灰度值的集合,那么一副图像有没有平均灰度值和标准差呢。
我们统计下上面3副图像中的均值和标准差:
print(np.mean(lena1), np.mean(lena2), np.mean(lena3))
print(np.std(lena1), np.std(lena2), np.std(lena3))
- 1
- 2
输出结果:
40.32 80.64 134.40
12.45 24.91 41.51
- 1
- 2
那么,我们很容易得出一些推论:
1.均值太小,表明有大量的灰度值接近于0,整体图像就偏暗;
2.均值太大,表明有大量的灰度值接近于255,整体图像就偏亮。
3.标准差太小,表明灰度值之间相差不大,表现在图像上就是亮度变化不明显,看不出差异。
4.标准差太大,表明灰度值一部分很大,一部分很小,分布的很不均匀。
除了均值和标准差,我们在统计学中,通常用直方图来表示一组数据的分布情况。那么,我们怎么知道一副图像中的灰度值分布呢?我们知道,灰度值数据一般的取值范围是[0-255]。对于每个灰度,统计在图像中出现的次数即可,就可以大致知道其分布情况。这和统计学中的数据直方图很像。
下面把上面3副图像的每个灰度值进行下数量统计。
import cv2
import matplotlib.pyplot as pltlena = cv2.imread("lena1.png", 0)
lena1 = cv2.imread("lena1.png", 1)
lena2 = cv2.imread("lena2.png", 1)
lena3 = cv2.imread("lena3.png", 1)print(lena1.shape, lena2.shape, lena3.shape)plt.subplot(321)
plt.imshow(cv2.cvtColor(lena1, cv2.COLOR_BGR2RGB))
plt.subplot(322)
plt.hist(lena1[:, :, 0].ravel(), 256, [0, 256])
plt.subplot(323)
plt.imshow(cv2.cvtColor(lena2, cv2.COLOR_BGR2RGB))
plt.subplot(324)
plt.hist(lena2[:, :, 0].ravel(), 256, [0, 256])
plt.subplot(325)
plt.imshow(cv2.cvtColor(lena3, cv2.COLOR_BGR2RGB))
plt.subplot(326)
plt.hist(lena3[:, :, 0].ravel(), 256, [0, 256])plt.show()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
可以看出,第一幅图像中灰度值大量集中在0-50之间,整体偏暗,第二幅图像中灰度值大量集中在0-150之间,而第三幅图像的灰度值大致均匀的分布在0-255的区间内。
直观上,可以得出这样的结论:若一副图像的像素值倾向于占据整个可能的灰度值区间,并且分布相对均匀,则该图像能够展示灰色调的较大变化和丰富的灰度细节,也就是具有高对比度的外观。
转载自:https://blog.csdn.net/saltriver/article/details/78986820
数字图像处理-- 图像的统计方法相关推荐
- matlab 求其骨架,数字图像处理图像的骨架生成和提取(Matlab)三种方法
[实例简介] 数字图像处理图像的骨架生成和提取(Matlab),有三种方法,推荐给大家! [实例截图] [核心代码] Programe ├── Programe1 │ ├── 00.JPG │ ...
- 计算机图像进行滤波的函数,数字图像处理图像滤波.ppt
数字图像处理图像滤波 图像滤波 图像处理中所用到的图像往往含有噪声,需要用图像滤波的方法去除噪声. 内容框架 像素基础知识介绍 算术和逻辑运算 直方图 直方图均衡算法,用于图像锐化. 图像增强基本方法 ...
- 数字图像处理课设图像的锐化_数字图像处理图像锐化处理.ppt
数字图像处理图像锐化处理 4.7.2 灰度级到彩色转换 灰度级到彩色转换(例) 在HSI彩色空间的直方图均衡强度均衡处理没有改变图像的色调和饱和度值,但它的确影响了整体图像的彩色感观. 向量分量可以用 ...
- 《opencv 数字图像处理 图像基础》
<opencv 数字图像处理 图像基础> 矩阵 通道分离和合并 彩色图像转灰度图像 灰度图转二值化图像 图像运算 矩阵 定义一个显示图像的函数,对于灰度图,里面添加了vmin=0,vmax ...
- 数字图像处理图像反转的实现_使用8086微处理器反转16位数字
数字图像处理图像反转的实现 Problem statement: 问题陈述: Write an assembly language program in 8086 microprocessor to ...
- 数字图像处理图像反转的实现_反转8位数字| 8085微处理器
数字图像处理图像反转的实现 Problem statement: 问题陈述: To reverse 8 bits number using 8085 microprocessors. 使用8085微处 ...
- Matlab数字图像处理——图像的空间变换
Matlab空间变换函数 imtransform Matlab空间变换函数 imtransform 可以实现图像仿射变换(如 平移.旋转.剪切.缩放).投影变换, 该函数可与 maketform 配合 ...
- 数字图像处理——图像退化与复原
图像退化与复原 内容简介 1.图像退化与复原的原理 1.1 图像退化的数学模型 1.2 图像退化的原理 1.3 图像复原的原理 2. 图像去噪 2.1 噪声模型 2.2 噪声参数的估计 2.3 针对噪 ...
- 数字图像处理-图像基础-复习总结
文章目录 数字图像处理复习总结 数字图像基础 数字图像基础概念 采样和量化 非均匀采样与量化 数字图像常见失真类型 数字图像处理基础 数字图像处理基本概念 数字图像处理研究内容 数字图像处理关键阶段 ...
最新文章
- 美国大胆预测:未来300年的人类竟然是这样的!
- MySQL—视图(二)
- 【ARM】Tiny4412裸板编程之蜂鸣器(C语言)
- Mac及Xcode常用快捷键
- python中的排序方法都有哪些_Python中的排序方法sort(),sorted(),argsort()等
- 苹果公司官方证实,iPhone12延期!
- TokyoTyrant的管理工具tcrmgr使用小记
- 计算机组成原理第一章练习题(答案详解)
- 简单webService实例
- 从官网下载 Google Chrome 离线安装包 谷歌浏览器 最新版
- 特殊字符Unicode编码
- 年轻人转行需三思,未来5-10年什么工作真吃香?
- 电脑计算机快捷键消失,电脑桌面快捷方式不见了
- Docker基础(上)
- respond.js IE8使用
- 数字图像算法研究---PS USM锐化算法详解
- 你不得不了解的三大动态域名解析软件选型要素
- 服务器安装Windows Server 2008 R2系统过程中遇到的一些坑
- Linux中sed命令使用大全
- java充值_Java实现支付宝充值
热门文章
- MiniO 磁盘缓存快速入门
- 解决TypeError: string indices must be integers, not str
- 【服务端渲染】手动部署 NuxtJs 项目
- C#LeetCode刷题-程序员面试金典
- 面向对象设计原则之6-合成复用原则
- GoLang MySQL CRUD Example
- 使用peewee增删查改数据库
- 与Zell关闭星期五
- snapchat_机器中的幽灵:Snapchat不是移动优先的-完全是另一回事
- 百度HTTPS认证显示“您的站点有链接未通过https检验”的解决办法