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

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}μn=i=0L1(rim)np(ri)(3.24)
m=∑i=0L−1rip(ri)(3.25)m = \sum_{i=0}^{L-1} r_{i} p(r_{i}) \tag{3.25}m=i=0L1rip(ri)(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}σ2=μ2=i=0L1(rim)2p(ri)(3.26)

邻域均值和方差
SxyS_{xy}Sxy是以(x,y)(x, y)(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}mSxy=i=0L1riPSxy(ri)(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}σSxy2=i=0L1(rimSxy)2PSxy(ri)(3.28)

g(x,y)={Cf(x,y),k0mG≤mSxy≤k1mGANDk2σG≤σSxy≤k3σGf(x,y),others(3.29)g(x, y) =\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}g(x,y)={Cf(x,y),f(x,y),k0mGmSxyk1mGANDk2σGσSxyk3σGothers(3.29)

k0,k1,k2,k3,Ck_0, k_1, k_2, k_3, Ck0,k1,k2,k3,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k0=0,k1=0.25k_0=0, k_1=0.25k0=0,k1=0.25。如果我们的兴趣是增强那么对比度比较低的区域,则k2=0,k3=0.1k_2=0, k_3=0.1k2=0,k3=0.1
满足条件的乘以一个规定常数CCC,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 = 103mG=161,σG=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=22.8C=22.8C=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

在这里插入图片描述

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/news/260793.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

数据结构 --- 堆

to be continued转载于:https://www.cnblogs.com/zhongzhiqiang/p/5808564.html

HDU - 1723 - Distribute Message

先上题目&#xff1a; Distribute Message Time Limit: 1000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others)Total Submission(s): 1186 Accepted Submission(s): 547 Problem DescriptionThe contest’s message distribution is a big thing in pre…

nodejs 图片处理模块 rotate_学会Pillow再也不用PS啦——Python图像处理库Pillow入门!...

你在用什么软件进行图像处理呢&#xff1f;厌倦了鼠标和手指的拖拖点点&#xff0c;想不想用程序和代码进行图像的高效处理&#xff0c;Python作为简单高效又很强大的一门编程语言&#xff0c;对于图像的处理自然也是轻松拿下&#xff0c;听起来是不是很酷很极客&#xff0c;那…

创建一个追踪摄像机(2)

为了生成曲线&#xff0c;函数需要通过4个在沿着重量值在0和1之间的路径上连贯的位置。由于重量在这些2个值之间增加&#xff0c;曲线返回在更远的路径上的坐标。 当所提供的重量值为0&#xff0c;曲线将返回正确的坐标在第二个输入坐标。当所提供的重量值为1&#xff0c;曲线将…

Xcodebuild自动打包

#! /bin/bash #firtoken 29b441056e1e17c984cb32fadadsdddd shell_dirdirname $0 TARGET_NAME"SmartLock" DIR_PATH/Users/用户名/Desktop/SmartLock SIGN"iPhone Distribution:******" PROFILE"66d127d6-7963-4c20-ac8b-47e4f0fe8742" TEMP_DIR…

第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波12 - 空间域滤波基础 - 卷积运算(numpy 实现的三种卷积运算)

这篇文章比较长&#xff0c;请耐心看空间域滤波基础线性滤波可分离滤波器核空间域滤波和频率域滤波的一些重要比较如何构建空间滤波器第一种卷积方法&#xff08;公式法&#xff09;第二种卷积的方法&#xff08;可分离核&#xff09;第三种方法&#xff08;img2col)这是分离核…

hdu_1861_游船出租_201402282130

游船出租 Time Limit: 1000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others) Total Submission(s): 7238 Accepted Submission(s): 2411 Problem Description 现有公园游船租赁处请你编写一个租船管理系统。当游客租船时&#xff0c;管理员输入船号并按…

acer清理工具 clear下载_SolidWorks绿色版下载-SolidWorks完全清理工具v1.0免费版

SolidWorks完全清理工具(SWCleanUninstall)是一款绿色免费的SolidWorks完全卸载工具。很多SolidWorks安装不成功都是因为之前安装错误做成软件残留。这款工具可以完全清理很多SolidWorks留下的注册表垃圾。软件核心功能1、SWCleanUninstall可以直接删除电脑上的SolidWorks软件2…

ZOJ1221 Risk 图形的遍历

一开始做图形遍历的题都是用链表做的&#xff0c;这次用数组体会到了方便但就是有点浪费。 不过题目给的内存限制已经足够了。 View Code 1 #include<cstdio>2 #include<cstdlib>3 #include<cstring>4 #include<queue>5 #include<iostream>6 7 …

Android 从AndroidManifest获取meta-data

语法如下&#xff1a; <meta-data android:name"string"android:resource"resource specification"android:value"string" /><meta-data>标签可以作为子标签&#xff0c;可以被包含在<activity>、<application> 、<s…

trim()函数

参数string&#xff1a;string类型&#xff0c;指定要删除首部和尾部空格的字符串返回值String。 函数执行成功时返回删除了string字符串首部和尾部空格的字符串&#xff0c;发生错误时 返回空字符串&#xff08;""&#xff09;。 如果参数值为null时&#xff0c;会抛…

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&#xff08;低通&#xff09;空间滤波器盒式滤波器核平滑&#xff08;低通&#xff09;空间滤波器 平滑&#xff08;也称平均&#xff09;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数量不…

python中str用法_python数据类型之str用法

1、首字母大写 语法&#xff1a;S.capitalize() ->str title "today is a good day"title_catitle.capitalize() print(title_ca) 结果&#xff1a;today is a good day 2、大写转小写 1 语法&#xff1a;S.casefold() ->str2 3 title "TODAY is a GOOD …

WPF 窗体设置

WPF 当窗体最大化时控件位置的大小调整&#xff1a; View Code 1 <Window x:Class"WpfApplication1.MainWindow"2 xmlns"http://schemas.microsoft.com/winfx/2006/xaml/presentation"3 xmlns:x"http://schemas.microsoft.com/wi…

Git实践

Git是什么自不必说。Git和gitlab安装和实践在后边的俩篇中会写。本篇仅重点写Git自动部署。Git同样有Hooks,可以用于各种需求。可以控制提交commit名称&#xff0c;可以控制代码规范&#xff0c;也当然包含以下要介绍的自动部署&#xff0c;也不仅包含这些。Git自动部署简单的思…

第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波14 - 平滑低通滤波器 -高斯滤波器核的生成方法

目录平滑&#xff08;低通&#xff09;空间滤波器低通高斯滤波器核统计排序&#xff08;非线性&#xff09;滤波器平滑&#xff08;低通&#xff09;空间滤波器 平滑&#xff08;也称平均&#xff09;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…

易经0

--- 阳爻 - - 阴爻 从下往上 画爻 (yao) 三画卦 --> 2^38 (八卦) 那天有空用程序 解析一下 六画卦 --> 2^664(卦) 卦形记忆歌&#xff1a;宋代朱熹的《周易本义》写了《八卦取象歌》帮人记卦形&#xff1a; 乾三连&#xff0c;坤六断&#xff1b;震仰盂&#xff0c;艮覆碗…

python3.7怎么安装turtle_python怎么安装turtle

turtle库是Python语言中一个很流行的绘制图像的函数库&#xff0c;想象一个小乌龟&#xff0c;在一个横轴为x、纵轴为y的坐标系原点&#xff0c;(0,0)位置开始&#xff0c;它根据一组函数指令的控制&#xff0c;在这个平面坐标系中移动&#xff0c;从而在它爬行的路径上绘制了图…

强制html元素不随窗口缩小而换行

<style> div{ white-space:nowrap; } </style> 强制div内的元素不随窗口缩小而换行 本文出自 “点滴积累” 博客&#xff0c;请务必保留此出处http://tianxingzhe.blog.51cto.com/3390077/1679366

静态变量、方法

static 变量---所有对象共享一个变量&#xff08;全局变量区&#xff09;&#xff0c;无需构造---概念上和.net相同所有对象共享一个变量的实质&#xff1a;声明时&#xff1a;堆区存放一个地址&#xff0c;地址指向全局变量区。然后当类对象声明时&#xff0c;只是在堆区中为自…