数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究Python 中的直方图绘制和拉伸
直方图绘制和拉伸是数据可视化和缩放中一个强大的工具，它允许您表示数值变量的分布，并在直方图的数据集中将其扩展到值的完整范围内。此过程可用于改善图像的对比度或提高直方图中数据的可见性。
直方图是数据集频率分布的图形表示。它可以可视化一组连续数据概率的潜在分布。在本文中，我们将讨论如何使用内置函数以及不使用内置函数在 Python 中创建和拉伸直方图。
Python 中的直方图绘制和拉伸（使用内置函数）
按照以下步骤使用 matplotlib 和 OpenCV 的内置函数绘制和拉伸直方图，它还显示了 RGB 通道 -
首先使用 cv2.imread 函数加载输入图像
使用 cv2.split 函数将通道拆分为红色、绿色和蓝色
然后使用 matplotlib 库中的 plt.hist 函数为每个通道绘制直方图。
使用 cv2.equalizeHist 函数拉伸每个通道的对比度。
使用 cv2.merge 函数将通道合并回一起。
使用 plt.imshow 函数和 matplotlib 库中的子图函数并排显示原始图像和拉伸图像。
注意 - 拉伸图像的对比度可能会导致其整体外观发生变化，因此在评估结果时必须小心，以确保它们满足预期的目标。
下面是 Python 中直方图绘制和拉伸的示例程序。在此程序中，我们将假设输入图像具有 RGB 通道。如果图像具有不同的颜色空间，则可能需要其他步骤来正确处理颜色通道。
示例
import cv2
import numpy as np
import matplotlib.pyplot as pltt
# Load the input image with RGB channels
img_sam = cv2.imread('sample.jpg', cv2.IMREAD_COLOR)
# Split the channels into red, green, and blue
rd, gn, bl = cv2.split(img_sam)
# Plot the histograms for each channel
pltt.hist(rd.ravel(), bins=277, color='red', alpha=0.10)
pltt.hist(gn.ravel(), bins=277, color='green', alpha=0.10)
pltt.hist(bl.ravel(), bins=277, color='blue', alpha=0.10)
pltt.show()
# Stretch the contrast for each channel
red_c_stretch = cv2.equalizeHist(rd)
green_c_stretch = cv2.equalizeHist(gn)
blue_c_stretch = cv2.equalizeHist(bl)
# Merge the channels back together
img_stretch = cv2.merge((red_c_stretch, green_c_stretch, blue_c_stretch))
# Display the original and stretched images side by side
pltt.subplot(121)
pltt.imshow(cv2.cvtColor(img_sam, cv2.COLOR_BGR2RGB))
pltt.title('Original_Image')
pltt.subplot(122)
pltt.imshow(cv2.cvtColor(img_stretch, cv2.COLOR_BGR2RGB))
pltt.title('Stretched_Image')
pltt.show()
输出
Python 中的直方图绘制和拉伸（不使用内置函数）
按照以下步骤在 Python 中使用 RGB 通道进行直方图绘制和拉伸，而无需使用内置函数。
使用 cv2.imread 函数加载输入图像。
使用数组切片将通道拆分为红色、绿色和蓝色。
使用嵌套循环和 np.zeros 函数初始化一个值为零的数组来计算每个通道的直方图。
通过查找每个通道中的最小值和最大值并将像素值线性变换到 0-255 的完整范围内来拉伸每个通道的对比度。
对于上述步骤，使用嵌套循环和 np.uint8 数据类型以确保像素值保持在 0-255 的范围内。
使用 cv2.merge 函数将通道合并回一起。
使用 plt.imshow 函数和 matplotlib 库中的子图函数并排显示原始图像和拉伸图像。
以下是执行相同操作的程序示例 -
注意 - 下面的程序假设输入图像具有 RGB 通道，并且像素值表示为 8 位整数。如果图像具有不同的颜色空间或数据类型，则可能需要其他步骤来正确评估结果。
示例
import cv2
import numpy as np
import matplotlib.pyplot as pltt
# Load the input image
img = cv2.imread('sample2.jpg', cv2.IMREAD_COLOR)
# Split the image into color channels
r, g, b = img[:,:,0], img[:,:,1], img[:,:,2]
# Plot the histograms for each channel
hist_r = np.zeros(256)
hist_g = np.zeros(256)
hist_b = np.zeros(256)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
hist_r[r[i,j]] += 1
hist_g[g[i,j]] += 1
hist_b[b[i,j]] += 1
pltt.plot(hist_r, color='red', alpha=0.10)
pltt.plot(hist_g, color='green', alpha=0.10)
pltt.plot(hist_b, color='blue', alpha=0.10)
pltt.show()
# Stretch the contrast for each channel
min_r, max_r = np.min(r), np.max(r)
min_g, max_g = np.min(g), np.max(g)
min_b, max_b = np.min(b), np.max(b)
re_stretch = np.zeros((img.shape[0], img.shape[1]), dtype=np.uint8)
gr_stretch = np.zeros((img.shape[0], img.shape[1]), dtype=np.uint8)
bl_stretch = np.zeros((img.shape[0], img.shape[1]), dtype=np.uint8)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
re_stretch[i,j] = int((r[i,j] - min_r) * 255 / (max_r - min_r))
gr_stretch[i,j] = int((g[i,j] - min_g) * 255 / (max_g - min_g))
bl_stretch[i,j] = int((b[i,j] - min_b) * 255 / (max_b - min_b))
# Merge the channels back together
img_stretch = cv2.merge((re_stretch, gr_stretch, bl_stretch))
# Display the original and stretched images side by side
pltt.subplot(121)
pltt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
pltt.title('Original Image')
pltt.subplot(122)
pltt.imshow(cv2.cvtColor(img_stretch, cv2.COLOR_BGR2RGB))
pltt.title('Stretched Image')
pltt.show()
输出
结论
总之，Python 中的直方图绘制和拉伸是改善数字图像对比度的一种非常有用的方法。通过绘制直方图颜色通道，我们可以可视化像素值的分布并识别低对比度区域。我们了解到，通过使用线性变换拉伸对比度，我们甚至可以增加图像的动态范围并突出可能隐藏的细节。
789 次查看
