美女让男人插,gay偷拍男浴室spy,鸡巴操骚逼视频,a在线视频中文字幕,一级视频黄色,大屌在线观看,老女人操逼视频,狠狠躁夜夜躁人爽

我們已經(jīng)練習(xí)了很多圖像處理——操作圖像（精確地說是圖像矩陣）。為此，我們探索了圖像的均衡方法，以便在一定程度上增強(qiáng)對比度，以使被處理的圖像看起來比原始圖像更好，這種技術(shù)稱為直方圖均衡化。

通常，發(fā)生的情況是在捕獲圖像時(shí)，它與自然視圖并不相同。為了滿足自然視圖的水平，應(yīng)進(jìn)行后處理。因此，直方圖均衡化（歸一化）是通過調(diào)整圖像的像素值來增強(qiáng)對比度的技術(shù)之一。

可以在下面看到一個(gè)示例：原始圖像和均等圖像。

如果我們要繪制圖像直方圖，它將看起來像下面的樣子：

直方圖均衡化的重要性

該方法對于亮和暗圖像都效果更好，特別是在醫(yī)學(xué)領(lǐng)域中，分析X射線圖像的重要性更高。
在查看科學(xué)圖像（例如熱圖像和衛(wèi)星圖像）時(shí)也非常有用。

執(zhí)行步驟

在本文中，我們將通過使用openCV庫以及使用justNumPy和從頭開始實(shí)現(xiàn)此方法Matplotlib。盡管我們想不使用來做NumPy，但要花很多時(shí)間才能計(jì)算出來。

添加依賴庫

import numpy as npimport cv2import jsonfrom matplotlib import pyplot as plt

讀取圖像

def read_this(image_file, gray_scale=False):    image_src = cv2.imread(image_file)    if gray_scale:        image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY)    else:        image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2RGB)    return image_src

上面的函數(shù)讀取gray_scale或中的圖像，RGB然后返回圖像矩陣。

用庫實(shí)現(xiàn)代碼

為了均衡，我們可以簡單地使用equalizeHist()庫中可用的方法cv2。

1.讀入圖像時(shí)RGB。

根據(jù)顏色組合分離像素。我們可以使用split()庫中可用的方法cv2。
對每個(gè)矩陣應(yīng)用均衡方法。
將均衡的圖像矩陣與merge()庫中可用的方法合并在一起cv2。

2.讀入圖像時(shí)gray_scale。

3.繪制原始圖像和均衡圖像。

def equalize_this(image_file, with_plot=False, gray_scale=False):    image_src = read_this(image_file=image_file, gray_scale=gray_scale)    if not gray_scale:        r_image, g_image, b_image = cv2.split(image_src)
        r_image_eq = cv2.equalizeHist(r_image)        g_image_eq = cv2.equalizeHist(g_image)        b_image_eq = cv2.equalizeHist(b_image)
        image_eq = cv2.merge((r_image_eq, g_image_eq, b_image_eq))        cmap_val = None    else:        image_eq = cv2.equalizeHist(image_src)        cmap_val = 'gray'
    if with_plot:        fig = plt.figure(figsize=(10, 20))
        ax1 = fig.add_subplot(2, 2, 1)        ax1.axis("off")        ax1.title.set_text('Original')        ax2 = fig.add_subplot(2, 2, 2)        ax2.axis("off")        ax2.title.set_text("Equalized")
        ax1.imshow(image_src, cmap=cmap_val)        ax2.imshow(image_eq, cmap=cmap_val)        return True    return image_eq

代碼測試

equalize_this(image_file='lena_original.png', with_plot=True)

equalize_this（image_file = 'lena_original.png'，with_plot = True，gray_scale = True）

實(shí)現(xiàn)代碼

為此，我們正在使用NumPy所有矩陣運(yùn)算。同樣，我們可以使用for循環(huán)來執(zhí)行此操作，但是它將花費(fèi)更多的時(shí)間進(jìn)行計(jì)算。即使在這里，我們也有兩個(gè)方面：

1.讀入圖像時(shí)RGB。

根據(jù)顏色組合分離像素。我們可以使用NumPy操作將其切細(xì)。
對每個(gè)矩陣應(yīng)用均衡方法。
將均衡的圖像矩陣與dstack(tup=())庫中可用的方法合并在一起NumPy。

2.讀入圖像時(shí)gray_scale。

3.繪制原始圖像和均衡圖像。

讓我們編寫我們自己的函數(shù)來計(jì)算圖像均衡，圖像像素值通常在0到255之間。因此，總共有256個(gè)像素。

def enhance_contrast(image_matrix, bins=256):    image_flattened = image_matrix.flatten()    image_hist = np.zeros(bins)
    # frequency count of each pixel    for pix in image_matrix:        image_hist[pix] += 1
    # cummulative sum    cum_sum = np.cumsum(image_hist)    norm = (cum_sum - cum_sum.min()) * 255    # normalization of the pixel values    n_ = cum_sum.max() - cum_sum.min()    uniform_norm = norm / n_    uniform_norm = uniform_norm.astype('int')
    # flat histogram    image_eq = uniform_norm[image_flattened]    # reshaping the flattened matrix to its original shape    image_eq = np.reshape(a=image_eq, newshape=image_matrix.shape)
    return image_eq

當(dāng)將原始圖像矩陣作為參數(shù)傳遞時(shí)，上述函數(shù)將返回一個(gè)均衡的圖像矩陣。

讓我們編寫另一個(gè)函數(shù)，該函數(shù)為RGB圖像和gray_scale使用上述功能的圖像計(jì)算均衡。

def equalize_this(image_file, with_plot=False, gray_scale=False, bins=256):    image_src = read_this(image_file=image_file, gray_scale=gray_scale)    if not gray_scale:        r_image = image_src[:, :, 0]        g_image = image_src[:, :, 1]        b_image = image_src[:, :, 2]
        r_image_eq = enhance_contrast(image_matrix=r_image)        g_image_eq = enhance_contrast(image_matrix=g_image)        b_image_eq = enhance_contrast(image_matrix=b_image)
        image_eq = np.dstack(tup=(r_image_eq, g_image_eq, b_image_eq))        cmap_val = None    else:        image_eq = enhance_contrast(image_matrix=image_src)        cmap_val = 'gray'
    if with_plot:        fig = plt.figure(figsize=(10, 20))
        ax1 = fig.add_subplot(2, 2, 1)        ax1.axis("off")        ax1.title.set_text('Original')        ax2 = fig.add_subplot(2, 2, 2)        ax2.axis("off")        ax2.title.set_text("Equalized")
        ax1.imshow(image_src, cmap=cmap_val)        ax2.imshow(image_eq, cmap=cmap_val)        return True    return image_eq

代碼測試

equalize_this(image_file='lena_original.png', with_plot=True)

equalize_this(image_file='lena_original.png', with_plot=True, gray_scale=True)

總結(jié)

我們探索和實(shí)施不同的方法來增加圖像強(qiáng)度，從而學(xué)到了很多東西。特別是，嘗試通過引用和學(xué)習(xí)從頭實(shí)現(xiàn)代碼。
使用庫方法始終是一件好事，因?yàn)樗鼈兯坪醺觾?yōu)化并且可以100％工作。
圖像處理是一門非常重要的學(xué)科，確實(shí)值得嘗試，要有很多好奇心和自己的探索。

?------------------------------------------------

雙一流高校研究生團(tuán)隊(duì)創(chuàng)建 ↓

專注于計(jì)算機(jī)視覺原創(chuàng)并分享相關(guān)知識 ?

整理不易，點(diǎn)贊三連！

如何使用OpenCV實(shí)現(xiàn)圖像均衡？？？

如何使用OpenCV實(shí)現(xiàn)圖像均衡？？？