跳转至

使用直方图

分析图像的 OpenCV Python 程序

原文:https://www.geesforgeks.org/opencv-python-program-analyze-image-use-直方图/

本文讨论了利用 Matplotlib 和 OpenCV 进行图像分析。我们先来了解一下如何实验各种风格的图像数据，以及如何用直方图表示。 先决条件:

导入图像数据

import matplotlib.pyplot as plt #importing matplotlib

图像应该在一个 PNG 文件中使用，因为 matplotlib 只支持 PNG 图像。在这里，这是一个 24 位的 RGB PNG 图像(R，G，B 各 8 位)，在这个例子中使用。每个内部列表代表一个像素。这里，对于一个 RGB 图像，有 3 个值。对于 RGB 图像，matplotlib 支持 float32 和 uint8 数据类型。

img = plt.imread('flower.png') #reads image data

c5 在 Matplotlib 中，这是使用 imshow() 功能执行的。这里我们已经抓住了剧情对象。

关于直方图

直方图被认为是与具有像素值(范围从 0 到 255)的灰度图像 中的像素频率相关的图形或曲线图。灰度图像是其中每个像素的值是单个样本的图像，也就是说，它仅携带像素值从 0 到 255 变化的强度信息。这种类型的图像，也称为黑白图像，完全由灰色阴影组成，从最弱强度的黑色到最强强度的白色，像素可以被视为图像中的每个点。 灰度图像的外观: images 它量化了所考虑的每个强度值的像素数。在浏览直方图之前，让我们从这个给定的例子中大致了解一下。 histogram_sample 在这里，我们获得了关于该图像的对比度、亮度、强度分布等的直觉。正如我们可以看到的图像及其直方图是为灰度图像绘制的，而不是彩色图像。 直方图左侧区域显示图像中较暗像素的数量，右侧区域显示较亮像素的数量。

使用 numpy 数组创建直方图

为了创建图像数据的直方图，我们使用 hist()函数。

plt.hist(n_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k') #calculating histogram

c1 在我们的直方图中，看起来像是灰度图像的黑白像素在整个图像上有强度分布。

从直方图中，我们可以得出暗区多于亮区的结论。

现在，我们将处理由像素值变化的像素的强度分布组成的图像。首先，我们需要使用 OpenCV 内置函数计算直方图。

直方图计算

这里，我们使用 cv2.calchist()(OpenCV 中的内置函数)来查找直方图。

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

图像:是 uint8 或 float32 类型的源图像，表示为“[img]”。 通道:是我们计算直方图的通道指标。对于灰度图像，其值为【0】和 彩色图像，可以通过【0】、【1】或【2】分别计算蓝色、绿色或红色通道的直方图。 遮罩:遮罩图像。为了找到完整图像的直方图，它被给出为“无”。 histSize : 这代表我们的 BIN 计数。对于满量程，我们通过[256]。 ranges :这是我们的 RANGE。正常情况下是[0，256]。

例如:

# load an image in grayscale mode
img = cv2.imread('ex.jpg',0)

# calculate frequency of pixels in range 0-255
histg = cv2.calcHist([img],[0],None,[256],[0,256]) 

然后，我们需要绘制直方图来显示图像的特征。

绘制直方图

使用 Matplotlib 进行分析:

# importing required libraries of opencv
import cv2

# importing library for plotting
from matplotlib import pyplot as plt

# reads an input image
img = cv2.imread('ex.jpg',0)

# find frequency of pixels in range 0-255
histr = cv2.calcHist([img],[0],None,[256],[0,256])

# show the plotting graph of an image
plt.plot(histr)
plt.show()

输入: nature2 nature3 nature4 输出: n2 n3 n4 插图显示图像的每个像素数位于 0 到 255 的范围内。在第二个例子中，它直接找到直方图并绘制出来。我们不需要使用 calcHist()。请参见下面的代码:

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('ex.jpg',0)

# alternative way to find histogram of an image
plt.hist(img.ravel(),256,[0,256])
plt.show()

输出: f1

因此，我们得出结论，图像可以被表示为直方图，以设想图像上的强度分布的概念，并进一步设想它的宁静。

参考文献:

  • http://docs.opencv.org/2.4/doc/tutorials/imgproc/table_of_content_imgproc/table_of_content_imgproc.html#table-of-content-imgproc
  • http://www.cambridgeincolour.com/tutorials/histograms1.htm

本文由阿夫扎尔·安萨里供稿。如果你喜欢 GeeksforGeeks 并想投稿，你也可以使用contribute.geeksforgeeks.org写一篇文章或者把你的文章邮寄到 contribute@geeksforgeeks.org。看到你的文章出现在极客博客主页上，帮助其他极客。

如果你发现任何不正确的地方，或者你想分享更多关于上面讨论的话题的信息，请写评论。

回到顶部