OpenCV 灰度直方图及熵的计算

目录

一、概述

1.1灰度直方图

1.1.1灰度直方图的原理

1.1.2灰度直方图的应用

1.1.3直方图的评判标准

1.2熵

二、代码实现

三、实现效果

3.1直方图显示

3.2 熵的计算


一、概述

        OpenCV中的灰度直方图是一个关键的工具,用于分析和理解图像的灰度分布情况。直方图的熵是图像分析中的一个重要概念,它用于量化图像中信息的复杂性和不确定性。熵的概念源自信息论,表示系统的不确定性或混乱程度。对于图像直方图而言,熵的高低反映了图像灰度分布的复杂性和信息量。

1.1灰度直方图

        灰度直方图是图像中每个像素灰度值出现的次数或频数的统计结果。它是图像空间域内像素值分布的图形表示,用于描述图像中每种灰度级像素的个数或频率。在灰度直方图中,横坐标表示灰度级(通常范围从0到255,对于8位灰度图像),纵坐标表示该灰度级出现的频率或像素数量。

1.1.1灰度直方图的原理

1.灰度级统计:
        - 灰度直方图通过统计图像中每个灰度级出现的次数来构建。对于一幅8位灰度图像,其灰度级范围为0到255,共256个灰度级。
        - 通过遍历图像的每一个像素,并记录下每个像素的灰度值,然后统计每个灰度值出现的次数,即可得到灰度直方图。
2.反映灰度分布:
        - 灰度直方图直观地反映了图像中灰度的分布情况。如果图像的直方图集中在低灰度值区域,则说明图像比较暗;如果直方图集中在高灰度值区域,则说明图像比较亮。
        - 通过观察灰度直方图,可以了解图像的亮度、对比度以及灰度分布的均匀性等特性。
3.不反映像素位置:
        - 需要注意的是,灰度直方图只反映了图像中灰度值出现的频率,而并未反映这些灰度值像素在图像中的具体位置。也就是说,灰度直方图丢失了像素的空间位置信息。
4.唯一性与非唯一性:
        - 任何一幅图像都可以唯一地对应一幅灰度直方图。但是,不同的图像可能具有相同的灰度直方图。这是因为灰度直方图只关注灰度值的频率分布,而不考虑像素的空间位置。
5.区域直方图:
        - 如果将图像划分为多个区域,并分别计算这些区域的灰度直方图,然后将这些直方图相加,其和将等于原图像的灰度直方图。这一性质有助于对图像进行局部分析。

1.1.2灰度直方图的应用

1.图像分析:
        - 灰度直方图可用于分析图像的对比度、亮度和灰度分布等特性。例如,通过观察直方图的分布范围可以判断图像的亮度;通过直方图的峰值可以判断图像中的主要灰度级。
2.图像增强:
        - 灰度直方图可用于图像增强处理,如直方图均衡化。直方图均衡化的目的是提高图像的对比度,通过拉伸图像的直方图使其分布更加均匀,从而改善图像的视觉效果。
3.图像分割:
        - 灰度直方图还可用于图像分割任务中。例如,可以利用灰度直方图的阈值化方法进行图像的二值化处理;或者通过直方图反投影来查找图像中具有特定灰度值的区域。
        综上所述,OpenCV中的灰度直方图是图像分析、处理和增强中不可或缺的工具之一。通过灰度直方图,我们可以直观地了解图像的灰度分布情况,进而对图像进行更深入的分析和处理。

1.1.3直方图的评判标准

        评判灰度直方图的标准可以帮助我们了解图像的对比度、亮度、动态范围等特性。以下是一些常见的评判标准:
1.对比度:
        - 高对比度图像:灰度直方图会显示在整个灰度范围内的分布,具有较宽的分布区域。
        - 低对比度图像:灰度直方图会集中在较小的灰度范围内,具有较窄的分布区域。
2.亮度:
        - 亮图像:灰度直方图主要集中在高灰度值(右侧)。
        - 暗图像:灰度直方图主要集中在低灰度值(左侧)。
3.动态范围:
        - 宽动态范围:灰度直方图分布在0到255的全灰度范围内。
        - 窄动态范围:灰度直方图分布在较小的灰度范围内,可能只有一部分灰度级别。
4.峰值:
        - 单峰:表示图像中有一个主要亮度区域。
        - 多峰:表示图像中有多个不同的亮度区域,例如图像包含多个不同的物体。
5.均匀性:
        - 均匀分布:灰度直方图较为平坦,表示图像中各个灰度值的像素数量相对均匀。
        - 非均匀分布:灰度直方图具有显著的高峰和低谷,表示图像中某些灰度值的像素数量较多或较少。
6.图像质量:
        - 高质量图像:灰度直方图在整个灰度范围内均匀分布,没有明显的噪声或失真。
        - 低质量图像:灰度直方图可能集中在某些特定区域,显示出噪声、失真或压缩伪影。

1.2熵


        在OpenCV中,直方图的熵是图像分析中的一个重要概念,它用于量化图像中信息的复杂性和不确定性。熵的概念源自信息论,表示系统的不确定性或混乱程度。对于图像直方图而言,熵的高低反映了图像灰度分布的复杂性和信息量。
1.熵值较高:
        - 当图像的直方图熵值较高时,意味着图像中灰度级的分布较为均匀或离散,即图像包含较多的细节和复杂度。这种情况下,图像中的像素值变化较大,信息内容丰富,不易被压缩或简化。
        - 较高的熵值通常与图像的高清晰度和高信息量相关联,表明图像在视觉上可能更加“繁忙”或具有更多的细节。
2.熵值较低:
        - 相反,当图像的直方图熵值较低时,表明图像中灰度级的分布较为集中或单一,即图像包含的细节和复杂度较少。这种情况下,图像中的像素值变化较小,信息内容相对简单。
        - 较低的熵值可能意味着图像较为简单、模糊或缺乏细节,视觉上可能显得较为单调或“空旷”。


二、代码实现

import cv2
import numpy as np
from matplotlib import pyplot as pltdef calculate_histogram(image, point, radius=10):# 确定ROI的范围x, y = pointroi = image[max(0, y - radius):min(image.shape[0], y + radius + 1),max(0, x - radius):min(image.shape[1], x + radius + 1)]# 计算灰度直方图histogram = cv2.calcHist([roi], [0], None, [256], [0, 256])return histogramdef calculate_entropy(histogram):# 归一化直方图histogram = histogram / histogram.sum()# 计算熵entropy = -np.sum(histogram * np.log2(histogram + 1e-9))  # 加1e-9以避免对0取对数return entropy# 读取图像
image_path = "Gray.tiff"  # 确保图像路径正确
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)  # 灰度模式读取# 指定点
point = (435,671)# 计算指定点周围半径为10的区域的灰度直方图
histogram = calculate_histogram(image, point,20)# 计算直方图的熵(均匀性)
entropy = calculate_entropy(histogram)# 绘制灰度直方图
plt.figure()
plt.title(f"Grayscale Histogram around point {point}")
plt.xlabel("Grayscale value")
plt.ylabel("Frequency")
plt.plot(histogram)
plt.xlim([0, 256])
plt.show()print(f"Entropy (Uniformity) of the histogram: {entropy}")# 指定点
point2 = (541,1163)# 计算指定点周围半径为10的区域的灰度直方图
histogram2 = calculate_histogram(image, point2,20)# 计算直方图的熵(均匀性)
entropy2 = calculate_entropy(histogram2)plt.figure()
plt.title(f"Grayscale Histogram around point {point2}")
plt.xlabel("Grayscale value")
plt.ylabel("Frequency")
plt.plot(histogram2)
plt.xlim([0, 256])
plt.show()print(f"Entropy (Uniformity) of the histogram: {entropy2}")

三、实现效果

3.1直方图显示

两个点位的显示效果

3.2 熵的计算

point = (435,671):Entropy (Uniformity) of the histogram: 0.9858561754226685
point2 = (541,1163):Entropy (Uniformity) of the histogram: 1.9892882108688354

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/41239.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

ubuntu 网络常用命令

在Ubuntu中,管理和诊断网络问题时会用到一些常用的命令行工具。以下是一些Ubuntu网络常用的命令: ifconfig (已被ip命令替代,但仍在许多系统中可用): 显示或配置网络接口信息。示例:ifconfig 显示所有网络接口信息。ip: 一个多功…

12 Dockerfile详解

目录 1. Dockerfile 2. Dockerfile构建过程 2.1. Dockerfile编写规则: 2.2. Docker执行Dockerfile的大致流程 2.3. 总结 3. Dockerfile指令 3.1. FROM 3.2. MAINTAINER 3.3. RUN 3.4. EXPOSE 3.5. WORKDIR 3.6. USER 3.7. ENV 3.8. VOLUME 3.9. ADD …

mac 11 变编译安装nginx

mac 11 变编译安装nginx 记录一次安装过程 所需要的包 pcre: https://sourceforge.net/projects/pcre/files/pcre/OpenSSL: https://www.openssl.org/source/Nginx: https://nginx.org/en/download.html如果没有pcre 和Openssl,报错如下 把pcre和Openssl 解压到nginx 目录下…

libiw中的函数说明

打开电脑连接wifi是一件很平常的事情,但这些事情通常都是操作系统下的wifi管理程序替我们完成的,如何在程序中连接指定的wifi其实很少有资料介绍,在网络专栏的文章中,有两篇是关于wfi编程的文章,其中对无线网卡的操作都是通过ioctl()完成的,显得有些繁琐和晦涩,但其实WE…

Stable Diffusion与AI艺术:探索人工智能的创造力

引言 随着人工智能(AI)技术的迅猛发展,AI艺术逐渐走进了公众视野。尤其是近年来,Stable Diffusion等技术的出现,显著提升了AI在艺术创作领域的表现力和创造力。这篇文章将深入探讨Stable Diffusion技术的工作原理、应…

Linux高并发服务器开发(十三)Web服务器开发

文章目录 1 使用的知识点2 http请求get 和 post的区别 3 整体功能介绍4 基于epoll的web服务器开发流程5 服务器代码6 libevent版本的本地web服务器 1 使用的知识点 2 http请求 get 和 post的区别 http协议请求报文格式: 1 请求行 GET /test.txt HTTP/1.1 2 请求行 健值对 3 空…

成长-项目管理

小感悟 制定共同的目标,需要大家都知道, 心里有底。不能高压管理, 需要允许灰色地带的存在。雁行里面,带好领头,表现好的及时表扬,鼓励,正面反馈有利于团队向前飞 方法论 5why分析法 又称“5…

第一次的pentest show总结

第一次的pentest show总结 前言 开始之前,我特别感谢TryHackMe(英)、HackTheBox(美)、zero-point security(英)、offsec(美)等平台,使我们能够通过网络以线上的方式学习与练习,打破传统线下各地区教育资源差异大的限制,对网络教…

【代码随想录算法训练营第37期 第四十三天 | LeetCode518. 零钱兑换 II、377. 组合总和 Ⅳ、70. 爬楼梯】

代码随想录算法训练营第37期 第四十三天 | LeetCode518. 零钱兑换 II、377. 组合总和 Ⅳ、70. 爬楼梯 一、518. 零钱兑换 II 解题代码C&#xff1a; class Solution { public:int change(int amount, vector<int>& coins) {vector<int> dp(amount 1, 0);dp[…

03:EDA的进阶使用

使用EDA设计一个38译码器电路和245放大电路 1、38译码器1.1、查看74HC138芯片数据1.2、电路设计 2、245放大电路2.1、查看数据手册2.2、设计电路 3、绘制PCB3.1、导入3.2、放置3.3、飞线3.4、特殊方式连接GND3.5、泪滴3.6、配置丝印和划分区域3.7、添加typc接口供电 1、38译码器…

20.5.【C语言】求长度的两种方式

1.sizeof 用于测数据类型的长度的函数&#xff08;详细见第3篇&#xff09; 2.strlen 其计算长度时只有遇到\0才会停止&#xff0c;并且\0不会计算在内 如char arr[]{a,1,b}; printf("%d\n",strlen(arr)); 结果是个随机数&#xff01;strlen读内存中的数据&…

Android SurfaceFlinger——Surface和Layer介绍(十九)

按照前面系统开机动画的流程继续分析,在获取到显示屏信息后,下一步就是开始创建 Surface和设置 Layer 层级,这里就出现了两个新的概念——Surface 和 Layer。 一、基本概念 1、Surface介绍 在 Android 系统中,Surface 是一个非常核心的概念,它是用于显示图像的生产者-消…

快递物流运输中的RFID智能锁控应用方案

一、物流货运管理的痛点分析 1.1 货物安全与监控难题 物流货运过程中&#xff0c;货物安全是首要关注的问题。传统的锁控方式存在诸多不足&#xff0c;例如易被撬锁、监控盲点以及难以实时追踪货物状态。据统计&#xff0c;每年因货物丢失或损坏导致的经济损失高达数十亿美元…

小白也可以部署私有化大模型知识库_私有化知识库

透过产品了解RAG技术原理&#xff0c;对未来大模型应用开发也将起到事半功倍的效果。 虽然网络上有很多此类技术文章&#xff0c;这里自己也进行一次总结&#xff0c;加深印象的同时给小伙伴做一个参考&#xff0c;多多交流。 准备 Linux服务器、windows也可以 Docker环境&…

Excel多表格合并

我这里一共有25张表格: 所有表的表头和格式都一样,但是内容不一样: 现在我要做的是把所有表格的内容合并到一起,研究了一下发现WPS的这项功能要开会员的,本来想用代码撸出来的,但是后来想想还是找其他办法,后来找到"易用宝"这个插件,这个插件可以从如下地址下载:ht…

科研绘图系列:R语言蜜蜂图(Beeswarm Plot)

介绍 蜜蜂图(Beeswarm Plot)是一种用于展示分布的图形,它将数据点以一种有序但非线性的方式排列在一条直线上。这种图表的主要特点是将数据点聚集在一起,但又保持一定的间隔,以避免重叠,从而可以清晰地看到数据的分布情况。 蜜蜂图能表达: 分布特征:蜜蜂图可以清晰地…

C++基础21 二维数组及相关问题详解

这是《C算法宝典》C基础篇的第21节文章啦~ 如果你之前没有太多C基础&#xff0c;请点击&#x1f449;C基础&#xff0c;如果你C语法基础已经炉火纯青&#xff0c;则可以进阶算法&#x1f449;专栏&#xff1a;算法知识和数据结构&#x1f449;专栏&#xff1a;数据结构啦 ​ 目…

秒验 iOS端如何修改授权页背景

修改授权页背景为透明色 基于一键登录的拉起授权页功能&#xff0c;如果想要修改授权页的背景颜色&#xff0c;来调整成符合自己app样式的背景。以下代码示例主要介绍如何修改授权页的背景颜色&#xff0c;例如将授权页背景修改为透明色&#xff1a; -(void)login {//创建一个…

谷歌地图Google JS API 实现

demo实现 实现源码&#x1f447; // 谷歌地图Google JS API 实现 <template><div class"myMap"><gmp-map :center"center" zoom"15" map-id"ab6b6643adfa1a70"><gmp-advanced-markerv-for"(res, index) in…

MySQL | JDBC连接数据库详细教程【全程干货】

文章目录 一、什么是JDBC&#xff1f;二、JDBC工作原理三、使用JDBC连接MySQL数据库【✔】1、安装对应数据驱动包2、将jar包导入项目中3、编写代码连接数据库【⭐】1️⃣ 创建数据源2️⃣ 和数据库建立网络连接3️⃣ 构造SQL语句4️⃣ 执行SQL语句5️⃣ 断开连接&#xff0c;释…