У меня есть: Главное окно предварительного просмотра GPUImage GPUImage гистограмма сидит на отдельном GPUImageView. //Adding main preview self.previewView = [[GPUImageView alloc] init];…

Я читаю статью контекст формы: новый дескриптор для сопоставления форм и ориентации объектов . В разделе 3 говорится: Для точки P на фигуре мы вычисляем грубую гистограмму относительных координат…

Я работаю над научным проектом, где мне нужно получить некоторые стандарты изображения. Для этого мне нужен код, который генерирует 3 гистограммы из обычного изображения .JPEG .PNG OR .BMP. Первая…

Я читал о методе Оцу, который автоматически выполняет пороговое значение изображения. Алгоритм предполагает, что пороговое изображение содержит два класса пикселей(бимодальная гистограмма). Это…

У меня есть эта приборная панель. На втором листе гистограмма просто подсчитывает количество меток в каждом диапазоне, указанном на оси X. На самом деле мне нужна гистограмма в соответствии с тем же…

У меня есть гистограмма класса, и я хотел бы обновить его ваулы с течением времени. Не могли бы вы сказать мне, как это сделать с таймером? 😛 у меня просто есть 4 мусорных бака все время. Кроме…

Я хотел бы создать гистограмму изображения, но без учета первых k пикселей. Например: 50×70 изображений и k = 40 , гистограмма вычисляется по последним 3460 пикселям. Первые 40 пикселя изображения…

Я делаю визитную карточку дополненной реальности. Когда я добавил свою визитную карточку в справочную группу AR в активах, она показывает предупреждающее сообщение гистограмма изображения узкая и…

Что такое совместная гистограмма и маргинальная гистограмма в обработке изображений, как они работают и как их построить, если это возможно, с простыми примерами. Например, если у меня есть…

Я применил 2 самых популярных метода сглаживания изображений (фильтр размытия Гаусса и двусторонний фильтр) к изображению с использованием OpenCV, и мне удалось получить результаты Двустороннее…

Обработка изображений 7. Гистограмма

Содержание:
  1. Введение
  2. Изображения. Простая трансформация
  3. Негатив, извлечение и инверсия каналов
  4. Обесцвечивание
  5. Цветовые модели
  6. Яркость, насыщенность, контрастность, гамма-коррекция
  7. Гистограмма
  8. Масштабирование изображения
  9. Размытие
  10. Свёртка

В RGB-представлении изображения 256 значений яркости для каждого канала. Что, если подсчитать количество пикселей для каждого такого значения? Мы получим некоторую статистику распределения яркости, сможем узнать, какая яркость преобладает в изображении, а какой, напротив, мало. Вот это и есть гистограмма изображения.

Если подсчитывать значения каждого цветового канала как будто это один канал, либо преобразовывать цвет в оттенки серого, а потом подсчитывать статистику, то получится гистограмма яркости. По ней можно определить, что фотография недостаточно яркая и её нужно осветлить (повысить яркость при пост-обработке, либо увеличить экспозицию при съёмке), либо она, напротив, засвечена.

Если строить график для каждой RGB компоненты, то получится RGB-гистограмма. Такая гистограмма позволяет узнать, какой цветовой канал преобладает на изображении и принять соответствующие меры. Если гистограмма построена фотокамерой в момент фокусировки, то по ней можно определить, что на фотографии, допустим, преобладает красный цвет и возможно стоит настроить баланс белого на более холодные тона. Если же гистограмма построена на этапе пост-обработки, то можно попытаться скомпенсировать засвет соответствующим цветовым фильтром.
Для желающих больше узнать о цветовой температуре и балансе белого, рекомендую ознакомиться со статьёй Баланс белого.Но, хватит теории, перейдём к практике.

Построение гистограммыГистограмму будем рисовать на канвасе. Сначала создадим массив из 256 элементов и заполним его нулями. Затем подсчитаем количество вхождений каждого значения яркости.

1. let histBrightness = (new Array(256)).fill(0);

2. for (let i = 0; i < src.length; i++) {

3.   let r = src[i] & 0xFF;

4.   let g = (src[i] >> 8) & 0xFF;

5.   let b = (src[i] >> 16) & 0xFF;

6.   histBrightness[r]++;

7.   histBrightness[g]++;

8.   histBrightness[b]++;

9. }

1. let maxBrightness = 0;

2. for (let i = 1; i < 256; i++) {

3.   if (maxBrightness < histBrightness[i]) {

4.     maxBrightness = histBrightness[i]

5.   }

6. }

7.  

8. const canvas = document.getElementById(‘canvasHistogram’);

9. const ctx = canvas.getContext(‘2d’);

10. let dx = canvas.width / 256;

11. let dy = canvas.height / maxBrightness;

12. ctx.lineWidth = dx;

13. ctx.fillStyle = «#fff»;

14. ctx.fillRect(0, 0, canvas.width, canvas.height);

15. for (let i = 0; i < 256; i++) {

16.   let x = i * dx;

17.   ctx.strokeStyle = «#000000»;

18.   ctx.beginPath();

19.   ctx.moveTo(x, canvas.height);

20.   ctx.lineTo(x, canvas.height — histBrightness[i] * dy);

21.   ctx.closePath();

22.   ctx.stroke();

23. }

See the Pen Image processing 7.1. Histogram by aNNiMON (@aNNiMON) on CodePen.

А вот фотография того же места с экспозицией -2.0:

По гистограмме видно, что светлых участков здесь практически нет, а большой пик в левой части говорит, что фотография затемнена.

Наконец, фотография с экспозицией +2.0:

Здесь настолько много пересвета, что средние тона на гистограмме практически не видны – всё ушло в правый край.

Пора исправлять! Для этого добавим корректировку яркости и контрастности из предыдущей статьи и будем смотреть, как изменяется гистограмма.

See the Pen Image processing 7.2. Histogram + Corrections by aNNiMON (@aNNiMON) on CodePen.

Если настроить параметры так, чтобы слева и справа не было пустого пространства и при этом не было большого затемнения и пересвета, то мы получим чуть более приемлемую картинку:
hst_ed2.mp4

Именно по такому принципу работает коррекция Автоконтраст в Photoshop:
hst_ed3.mp4

Получился почти такой же результат, что и при ручном выравнивании в js.

Гистограмма изображения и коррекция тона и цвета инструментом «Уровни» — Медиасвод

Гистограмма — это график распределения пикселей по яркости, дающий представление о соотношении светлых и темных участков изображения. В этом графике по горизонтальной оси представлена шкала яркости, а по вертикали — количество пикселей с одинаковой яркостью.  В левой части гистограммы содержится информация о тенях, в средней — об области средних тонов, в правой — информация о светлых участках изображения. Эта информация помогает выбрать подходящую коррекцию.

Что дает нам представление о тональном диапазоне?

Изображения с низким контрастом вряд ли кому-то понравятся. Гистограмма дает нам возможность работать с яркостью отдельных групп пикселей и работать с изображением в области теней и света. Свет и тени — это визуальные критерии, нехватка каждого из которых делает наше изображение менее детальным.

Что покажет гистограмма?

• Изучив гистограмму, можно получить общее представление о правильности экспозиции, контрасте и цвете снимка.
• С помощью гистограммы можно определить, имеет ли изображение достаточно деталей для эффективной коррекции.
• Гистограмма позволяет определить тип ключа изображения. На изображениях в низком ключе детали концентрируются в тенях. Фотография в высоком ключе содержит больше всего деталей в светлых участках. В средних тонах детали концентрируются на изображениях в среднем ключе.

Фотография с полным тональным диапазоном содержит определенное число пикселей во всех областях. Как правило, в таком изображении мало совсем тёмных и совсем ярких пикселей. По мере приближения к средним тонам, количество пикселей в изображении увеличивается. Такой снимок можно получить при достаточном освещении, влияющем на всю сцену, и отсутствии источников света в кадре.

Гистограмма помогает выполнить коррекцию тона инструментом «Уровни» в программе Adobe Photoshop

Коррекция «Уровни» в программе Adobe Photoshop используется для изменения соотношения светлых и темных участков изображения путем регулировки визуальных маркеров на гистограмме.

Если вы посмотрите на гистограмму в диалоговом окне Уровней (Levels), то прямо под ней Вы увидите вы увидите окошки с числами, 0 слева и 255 справа. Эти числа указывают, что гистограмма показывает нам 256 различных уровней яркости от черного к белому, где 0 — чисто черный и 255 — значение в чисто белого.

Смещение маркеров приводит к изменению соотношения светлых и темных пикселей в изображении. Сближение черного и белого маркеров увеличивает контрастность изображения.

Коррекция цвета инструментом «Уровни»

Кроме того,   можно воспользоваться  инструментом «Уровни» для коррекции цвета. Дело в том, что каждое цифровое изображение содержит один или несколько цветовых каналов.  Изображения в режиме RGB имеют три канала (красный, зеленый и синий), а изображениях в режиме CMYK — четыре канала.

Каждый цветовой канал  может быть описан своей гистограммой. Перемещение визуальных маркеров на гистограммах каналов позволяет исправить цветовые дисбалансы. В частности, в этом видеоролике показано как инструментом «уровни» скорректировать баланс белого.

Вам может быть интересно:

Базовая цветокоррекция фотографий для новичков. Зачем она нужна и как ее делать

— обзор

3.3 ГИСТОГРАММА ИЗОБРАЖЕНИЯ

Основным инструментом, который используется при разработке точечных операций на цифровых изображениях (а также многих других операций), является гистограмма изображений . Гистограмма H _f цифрового изображения f представляет собой график или график частоты появления каждого уровня серого в f . Следовательно, H _f является одномерной функцией с областью {0,…, K − 1} и возможным диапазоном, простирающимся от 0 до количества пикселей в изображении, MN .

Гистограмма явно задается как

, если f содержит ровно J вхождений уровня серого k для каждого k = 0,…, K − 1. Таким образом, алгоритм вычисления гистограммы изображения включает простой подсчет уровней серого, который может выполняться даже при сканировании изображения. Каждая среда разработки для обработки изображений и программная библиотека содержат базовые процедуры вычисления, обработки и отображения гистограмм.

Поскольку гистограмма представляет уменьшение размерности по сравнению с исходным изображением f , информация теряется — изображение f не может быть выведено из гистограммы H _f , за исключением тривиальных случаев (когда изображение является постоянным). -значен).Фактически, количество изображений, которые имеют одну и ту же произвольную гистограмму H _f , является астрономическим. Учитывая изображение f с определенной гистограммой H _f , каждое изображение, которое представляет собой пространственную перетасовку уровней серого f , имеет ту же гистограмму H _f .

Гистограмма H _f не содержит пространственной информации о f — она ​​описывает частоту уровней серого в f и не более того.Однако эта информация по-прежнему очень обширна, и многие полезные операции обработки изображения могут быть получены из гистограммы изображения. Действительно, простой визуальный дисплей H _f многое говорит об изображении. Изучая внешний вид гистограммы, можно установить, распределены ли уровни серого в основном на более низких (более темных) уровнях серого или наоборот. Хотя в некоторой степени это можно установить путем визуального исследования самого изображения, человеческий глаз обладает огромной способностью адаптироваться к общим изменениям яркости, которые могут скрывать сдвиги в распределении уровней серого.Гистограмма предоставляет абсолютный метод определения распределения уровней серого изображения.

Например, средняя оптическая плотность , или AOD, является основной мерой общей средней яркости или уровня серого изображения. Его можно вычислить непосредственно по изображению:

(3.2) AOD (f) = 1NM∑n1 = 0N − 1∑n2 = 0M − 1f (n1, n2)

или по гистограмме изображения:

(3.3) AOD (f) = 1NM∑k = 0K − 1kHf (k).

AOD — это удобный и простой измеритель для оценки центра распределения уровней серого изображения.Целевое значение для AOD может быть указано при разработке точечной операции для изменения общего распределения уровней серого изображения.

На рисунке 3.1 показаны две гипотетические гистограммы изображения. Тот, что слева, имеет более тяжелое распределение уровней серого, близких к нулю (и низкий AOD), а тот, который находится справа, смещен вправо (высокий AOD). Поскольку уровни серого изображения обычно отображаются с меньшими числами, указывающими на более темные пиксели, изображение слева соответствует преимущественно темному изображению.Это может произойти, если изображение f было изначально недоэкспонировано до оцифровки, или если оно было снято при плохом освещении, или, возможно, процесс оцифровки был выполнен неправильно. Перекошенная гистограмма часто указывает на проблему с распределением уровней серого. Изображение справа могло быть переэкспонировано или снято при очень ярком свете.

РИСУНОК 3.1. Гистограммы изображений с распределением уровней серого смещены в сторону более темных (слева) и более ярких (справа) уровней серого. Возможно, эти изображения недоэкспонированы и переэкспонированы соответственно.

На рисунке 3.2 показано цифровое изображение с уровнем серого 256 × 256 (M = N = 256) «студенты» с диапазоном оттенков серого {0,…, 255} и его вычисленная гистограмма. Хотя изображение содержит широкое распределение уровней серого, гистограмма сильно перекошена в сторону темного края, и изображение кажется плохо экспонированным. Интересно рассмотреть методы, которые пытаются «уравнять» это распределение уровней серого. Одно из важных применений операций с точками изображения — коррекция плохой экспозиции, подобной показанной на рис.3.2. Конечно, могут быть ограничения на эффективность любой попытки восстановить изображение из-за плохой экспозиции, поскольку информация может быть потеряна. Например, на рис. 3.2 уровни серого насыщаются в нижней части шкалы, что затрудняет или делает невозможным различение деталей при низких уровнях яркости.

РИСУНОК 3.2. Цифровое изображение «студенты» (слева) и его гистограмма (справа). Уровни серого на этом изображении смещены влево, и изображение кажется немного недоэкспонированным.

В более общем смысле, изображение может иметь гистограмму, которая показывает плохое использование доступного диапазона оттенков серого. Изображение с компактной гистограммой, как показано на рис. 3.3, часто будет иметь плохой визуальный контраст или «размытый» вид. Если диапазон оттенков серого заполнен, также изображенный на рис. 3.3, то изображение будет иметь более высокий контраст и более характерный вид. Как будет показано ниже, существуют определенные операции с точками, которые эффективно расширяют распределение оттенков серого в изображении.

РИСУНОК 3.3. Гистограммы изображений, которые плохо (слева) и хорошо (справа) используют доступный диапазон оттенков серого. Сжатая гистограмма часто указывает на изображение с плохим визуальным контрастом. Хорошо распределенная гистограмма часто имеет более высокий контраст и лучшую видимость деталей.

На рисунке 3.4 показаны «книги» изображения с уровнем серого 256 × 256 и его гистограмма. Гистограмма четко показывает, что почти все уровни серого, которые встречаются на изображении, попадают в небольшой диапазон оттенков серого, и изображение имеет соответственно плохую контрастность.

РИСУНОК 3.4. Цифровое изображение «книги» (слева) и его гистограмма (справа). Изображение плохо использует доступный диапазон оттенков серого.

Возможно, что изображение может быть снято при правильных условиях освещения и экспозиции, но что по-прежнему существует перекос распределения уровней серого в сторону одного конца шкалы серого или что гистограмма необычно сжата. Примером может служить изображение ночного неба, которое почти повсюду темное. В таком случае изображение может выглядеть нормально, но гистограмма будет сильно искажена.В некоторых ситуациях все еще может быть интересным попытаться улучшить или раскрыть трудно различимые детали изображения, применив соответствующую точечную операцию.

Гистограмма изображения — GeeksforGeeks

Гистограмма цифрового изображения с уровнями серого в диапазоне [0, L-1] является дискретной функцией.

Гистограмма Функция:

Внимание, читатель! Не прекращайте учиться сейчас. Изучите все важные концепции машинного обучения с базовым курсом по машинному обучению по доступной для студентов цене и будьте готовы к работе в отрасли.

Точки о гистограмме:

• Гистограмма изображения обеспечивает общее описание внешнего вида изображения.
• Информация, полученная с помощью гистограммы, имеет очень большое качество.
• Гистограмма изображения представляет относительную частоту появления различных уровней серого в изображении.

Предположим, что матрица изображения имеет вид:

Эта матрица изображения содержит значения пикселей в позиции (i, j) в данной плоскости x-y, которая представляет собой 2D-изображение с уровнями серого.

Есть два способа построить гистограмму изображения:

Метод 1: В этом методе ось x имеет уровни серого / значения интенсивности, а ось y — количество пикселей в каждом сером уровень. Представление значений гистограммы на изображении выше:

Пояснение: На изображении выше 1, 2, 3, 4, 5, 6 и 8 как значения интенсивности и встречаемость каждого значения интенсивности. в матрице изображения 2, 1, 3, 2, 2, 3 и 3 соответственно, поэтому в соответствии со значением интенсивности и появлением этой конкретной интенсивности мы отобразили их в График.

Метод 2: В этом методе ось X представляет уровень серого, а ось Y представляет вероятность появления этого уровня серого.

Функция вероятности:

В таблице ниже показана вероятность для каждого уровня интенсивности пикселя

Теперь мы можем создать гистограмму для каждого пикселя и соответствующую вероятность появления.

Создание гистограмм — обработка изображений с помощью Python

Обзор

Обучение: 40 мин.
Упражнения: 40 мин.

Цели

• Объясните, что такое гистограмма.

• Загрузите изображение в формате оттенков серого.

• Создание и отображение гистограмм оттенков серого и цвета для всего изображения.

• Создание и отображение гистограмм оттенков серого и цвета для определенных областей изображений с помощью масок.

В этом выпуске мы узнаем, как использовать функции скимейджа для создания и отображать гистограммы для изображений.

Введение в гистограммы

Что касается изображений, гистограмма представляет собой графическое представление, показывающее как часто в изображении встречаются различные цветовые значения.Мы видели в Эпизод Image Basics, который мы могли бы использовать гистограмма для визуализации различий в несжатом и сжатом изображении форматы. Если ваш проект предполагает обнаружение изменений цвета между изображениями, гистограммы окажутся очень полезными, и гистограммы также весьма удобны как подготовительный шаг перед выполнением Пороговое значение или Обнаружение края.

Гистограммы в оттенках серого

Сначала мы начнем с изображений в градациях серого и гистограмм, а затем перейдем к цветные изображения. Вот сценарий Python для загрузки изображения в оттенках серого вместо полного цвета, а затем создайте и отобразите соответствующую гистограмму.Первое несколько строк:

  "" "
 * Создание гистограммы оттенков серого для изображения.
 *
 * Использование: python GrayscaleHistogram.py 
"" "
import sys
импортировать numpy как np
импорт skimage.color
импорт skimage.io
из matplotlib импортировать pyplot как plt

# читать изображение на основе аргумента имени файла в командной строке;
# считываем изображение как полутоновое с самого начала
image = skimage.io.imread (fname = sys.argv [1], as_gray = True)

# отобразить изображение
skimage.io.imshow (изображение)
  

В программе у нас есть новый импорт из matplotlib , чтобы получить доступ к инструменты, которые мы будем использовать для построения гистограммы.Заявление

из matplotlib import pyplot as plt

загружает библиотеку pyplot и дает ей более короткое имя, plt .

Затем мы используем функцию skimage.io.imread () для загрузки нашего изображения. Мы используем первый параметр командной строки в качестве имени файла изображения, как мы это делали в Урок Skimage Images. Второй параметр до skimage.io.imread () указывает функции на преобразование изображения в оттенки серого с диапазоном значений от 0 до 1 при загрузке изображения.В этом уроке мы продолжим работать с изображениями в диапазоне значений от 0 до 1. Помните, что мы можем преобразовать изображение обратно в диапазон от 0 до 255 с помощью функция skimage.util.img_as_ubyte .

Skimage не предоставляет специальной функции для вычисления гистограмм, но мы можем использовать функция нп. гистограмма вместо:

  # создать гистограмму
гистограмма, bin_edges = np.histogram (изображение, интервалы = 256, диапазон = (0, 1))
  

Параметр интервалы определяет размер гистограммы или количество «интервалов», используемых для гистограмма.Мы передаем 256 , потому что хотим увидеть количество пикселей для каждое из 256 возможных значений в изображении в градациях серого.

Диапазон параметра — это диапазон значений, который может каждый пиксель изображения. имеют. Здесь мы передаем 0 и 1, что является диапазоном значений нашего входного изображения после его преобразования. в оттенки серого.

Первым выходом функции np.histogram является одномерный массив NumPy, с 256 строками и одним столбцом, представляющим количество пикселей с цветом значение, соответствующее индексу.Т.е. первое число в массиве — это количество пикселей, найденных со значением цвета 0, и последний число в массиве — это количество пикселей, найденных со значением цвета 255. Второй вывод np.histogram — это массив с краями бина, одним столбцом и 257 строками (на один больше, чем сама гистограмма). Между ячейками нет промежутков, это означает, что конец первой ячейки является началом второй и так далее. Для последнего бина массив также должен содержать стоп, поэтому в нем на один элемент больше, чем в гистограмме.

Далее мы обратим наше внимание на отображение гистограммы, воспользовавшись преимуществом средств построения библиотеки matplotlib .

  # настроить и нарисовать фигуру гистограммы
plt.figure ()
plt.title («Гистограмма в оттенках серого»)
plt.xlabel ("значение оттенков серого")
plt.ylabel ("пиксели")
plt.xlim ([0.0, 1.0]) # <- именованные аргументы здесь не работают

plt.plot (bin_edges [0: -1], гистограмма) # <- или здесь
plt.show ()
  

Создаем сюжет с plt.figure () , затем пометьте фигуру и оси координат с помощью plt.title () , plt.xlabel () и plt.ylabel () функции. Последний шаг в подготовка рисунка заключается в том, чтобы установить пределы значений на Ось x с вызовом функции plt.xlim ([0.0, 1.0]) .

Списки аргументов переменной длины

Обратите внимание, что мы не можем использовать именованные параметры для plt.xlim () или plt.plot () функции.Это потому, что эти функции определены взять произвольное количество из безымянных аргументов. Дизайнеры написали функции таким образом, потому что они очень универсальны, и создание именованных параметры для всех возможных способов их использования были бы сложными.

Наконец, мы создаем сам график гистограммы с plt.plot (bin_edges [0: -1], гистограмма) . Мы используем левых краев бина в качестве x-позиций для значений гистограммы, индексируя массив bin_edges , чтобы игнорировать последнее значение ( правый край последнего бина).Затем мы заставляем его появиться с помощью plt.show () . Когда мы запускаем программу на этом изображении саженца растения,

Гистограммы в matplotlib

Matplotlib предоставляет специальную функцию для вычисления и отображения гистограмм: плт. Список () . Мы не будем использовать его в этом уроке, чтобы понять, как рассчитать гистограммы более подробно. На практике рекомендуется использовать эту функцию, потому что она визуализирует гистограммы лучше, чем plt.Участок () . Здесь вы можете использовать его, вызвав plt.hist (image.flatten (), bins = 256, range = (0, 1)) вместо np.histogram () и plt.plot () ( * .flatten () - это функция numpy, которая преобразует наши двумерные изображение в одномерный массив).

программа выдает эту гистограмму:

Использование маски для гистограммы (15 мин)

Посмотрев на гистограмму выше, вы заметите, что там большое число очень темных пикселей, как показано на диаграмме выступом вокруг значение оттенков серого 0.12. В этом нет ничего удивительного, поскольку исходное изображение в основном черный фон. Что, если мы хотим сосредоточиться более пристально на листе саженец? Вот тут-то и появляется маска!

Перейдите на рабочий стол / семинары / обработка изображений / 05-создание-гистограмм каталог и отредактируйте программу GrayscaleMaskHistogram.py . Скелет программа является копией программы маски выше, с комментариями, показывающими, где вносить изменения.

Сначала используйте такой инструмент, как ImageJ, чтобы определить координаты (x, y) ограничивающая рамка вокруг листа саженца.Затем, используя приемы из Рисование и побитовые операции эпизода, создайте маску с белым прямоугольником, закрывающим эту ограничивающую рамку.

После того, как вы создали маску, примените ее к входному изображению перед передачей это к функции np.histogram . Затем запустите программу GrayscaleMaskHistogram.py и посмотрите, как гистограмма.

Решение

  "" "
 * Создание гистограммы оттенков серого для изображения.
 *
 * Использование: Python GrayscaleMaskHistogram.py <имя файла>
"" "
import sys
импортировать numpy как np
импорт skimage.draw
импорт skimage.io
из matplotlib импортировать pyplot как plt

# читать изображение на основе аргумента имени файла в командной строке;
# считываем изображение как полутоновое с самого начала
img = skimage.io.imread (fname = sys.argv [1], as_gray = True)

# отобразить изображение
skimage.io.imshow (img)

# здесь создаем маску, используя np.zeros () и skimage.draw.rectangle ()
маска = np.zeros (shape = img.shape, dtype = "bool")
rr, cc = skimage.draw.rectangle (начало = (199, 410), конец = (384, 485))
маска [rr, cc] = True

# замаскируйте изображение и создайте новую гистограмму
гистограмма, bin_edges = np.гистограмма (img [маска], интервалы = 256, диапазон = (0,0, 1,0))

# настроить и нарисовать фигуру гистограммы
plt.figure ()

plt.title («Гистограмма в оттенках серого»)
plt.xlabel ("значение оттенков серого")
plt.ylabel («количество пикселей»)
plt.xlim ([0.0, 1.0])
plt.plot (bin_edges [0: -1], гистограмма)

plt.show ()
  

Ваша гистограмма замаскированной области должна выглядеть примерно так:

Цветовые гистограммы

Мы также можем создавать гистограммы для полноцветных изображений в дополнение к оттенкам серого. гистограммы.Мы уже видели цветовые гистограммы в Эпизод "Основы изображения". Программа для создания цветная гистограмма начинается знакомым образом:

  "" "
 * Программа на Python для создания цветовой гистограммы.
 *
 * Использование: python ColorHistogram.py <имя файла>
"" "
import sys
импорт skimage.io
из matplotlib импортировать pyplot как plt

# прочитать исходное изображение в полном цвете на основе команды
# строковый аргумент
image = skimage.io.imread (fname = sys.argv [1])

# отобразить изображение
skimage.io.imshow (изображение)
  

Импортируем нужные библиотеки, читаем изображение на основе параметра командной строки (на этот раз в цвете), а затем отобразить изображение.

Затем мы создаем гистограмму, вызывая функцию 3 np.histogram . раз, по одному разу для каждого канала. Мы получаем отдельные каналы, нарезка изображения по последней оси. Например, мы можем получить канал красного цвета позвонив по номеру r_chan = image [:,:, 0] .

  # кортеж для выбора цвета каждой строки канала
colors = ("красный", "зеленый", "синий")
channel_ids = (0, 1, 2)

# создаем график гистограммы с тремя линиями, одна для
# каждый цвет
plt.xlim ([0, 256])
для channel_id, c в zip (channel_ids, colors):
    гистограмма, bin_edges = np.histogram (
        изображение [:,:, channel_id], bins = 256, range = (0, 256)
    )
    plt.plot (bin_edges [0: -1], гистограмма, цвет = c)

plt.xlabel ("Значение цвета")
plt.ylabel («Пиксели»)

plt.show ()
  

Нарисуем линию гистограммы для каждый канал имеет разный цвет, поэтому мы создаем кортеж цветов для использовать для трех линий с

цветов = ("красный", "зеленый", "синий")

строка кода.Затем мы ограничиваем диапазон оси x с помощью plt.xlim () вызов функции.

Затем мы используем структуру управления для , чтобы перебрать три каналов, построив для каждого из них линию гистограммы соответствующего цвета. Это может быть новым синтаксисом Python для вас, поэтому мы уделим время, чтобы обсудить, что происходит в заявлении для .

Встроенная в Python функция zip () принимает серию из одного или нескольких списков и возвращает итератор из кортежей , где первый кортеж содержит первый элемент каждого из списков, второй содержит второй элемент каждого списков и так далее.

Итераторы, кортежи и

zip ()

В Python итератор или повторяемый объект , по сути, является чем-то которые можно повторять с помощью структуры управления для . Кортеж - это последовательность объектов, как список. Однако кортеж нельзя изменить, а кортеж обозначается круглыми скобками вместо квадратных. В zip () Функция принимает один или несколько повторяемых объектов и возвращает итератор. кортежей, состоящих из соответствующих порядковых объектов из каждого параметр.

Например, рассмотрим эту небольшую программу на Python:

  список1 = (1, 2, 3, 4, 5)
list2 = ("a", "b", "c", "d", "e")

для x в zip (список1, список2):
    печать (х)
  

Выполнение этой программы даст следующий результат:

(1, "а")

(2, «б»)

(3, ‘c’)

(4, ‘d’)

(5, ‘e’)

В нашей программе цветовой гистограммы мы используем кортеж (channel_id, c) в качестве для переменной .При первом прохождении цикла переменная channel_id принимает значение значение 0 , относящееся к положению канала красного цвета, а переменная c содержит строку «красный» . Второй раз через цикл значениями являются позиция зеленого канала и «зеленый» , а третий раз они позиции синего канала и "синего" .

Внутри цикла для наш код выглядит так же, как и для градаций серого. пример.Рассчитываем гистограмму для текущего канала с помощью

гистограмма, bin_edges = np.histogram (image [:,:, channel_id], bins = 256, range = (0, 256))

, а затем добавьте строку гистограммы правильного цвета в участок с

plt.plot (bin_edges [0: -1], гистограмма, цвет = c)

вызов функции. Обратите внимание на использование наших переменных цикла, channel_id и c .

Наконец, мы маркируем наши оси и отображаем гистограмму, показанную здесь:

Цветовая гистограмма с маской (25 мин)

Мы также можем применить маску к изображениям, мы применяем процесс цветовой гистограммы таким же образом, как и для гистограмм в градациях серого.Рассмотрим этот образ пластина колодца, где различные химические датчики были применены к воде и различные концентрации соляной кислоты и гидроксида натрия:

Предположим, нас интересует цветовая гистограмма одного из датчиков в изображение планшета с лунками, в частности, седьмая лунка слева в самом верхнем ряд, который показывает реакцию эритрозина B с водой.

Используйте ImageJ, чтобы найти центр этого колодца и радиус (в пикселях) хорошо.Затем перейдите к Рабочий стол / семинары / обработка изображений / 05-создание-гистограмм каталог, и отредактируйте программу ColorHistogramMask.py .

Руководствуясь комментариями в программе ColorHistogramMask.py , создайте круговая маска, чтобы выбрать только желаемую лунку. Затем используйте эту маску, чтобы применить операцию цветовой гистограммы для этого колодца. Когда вы выполняете программу на изображение plate-01.tif , ваша программа должна отображать maskedImg , который будет выглядеть так:

И программа должна создать цветную гистограмму, которая выглядит следующим образом:

Решение

Вот модифицированная версия ColorHistogramMask.py , который произвел предыдущие изображения.

  "" "
 * Программа на Python для создания цветовой гистограммы на замаскированном изображении.
 *
 * Использование: python ColorHistogramMask.py <имя файла>
"" "
import sys
импорт skimage.io
импорт skimage.draw
импортировать numpy как np
из matplotlib импортировать pyplot как plt

# прочитать исходное изображение в полном цвете на основе команды
# строковый аргумент
image = skimage.io.imread (fname = sys.argv [1])

# отобразить исходное изображение
skimage.io.imshow (изображение)

# создаем круговую маску для выбора 7-й лунки в первом ряду
# НАПИШИТЕ СВОЙ КОД ЗДЕСЬ
маска = нп.нули (shape = image.shape [0: 2], dtype = "bool")
circle = skimage.draw.disk ((240, 1053), radius = 49, shape = image.shape [: 2])
маска [круг] = 1

# только для отображения:
# сделаем копию изображения, назовем его masked_image и
# используйте np.logical_not () и индексирование, чтобы применить к нему маску
# НАПИШИТЕ СВОЙ КОД ЗДЕСЬ
masked_img = изображение [:]
masked_img [np.logical_not (маска)] = 0

# создать новое окно и отобразить maskedImg, чтобы проверить
# срок действия вашей маски
# НАПИШИТЕ СВОЙ КОД ЗДЕСЬ
skimage.io.imshow (masked_img)

# список для выбора цвета каждой строки канала
colors = ("красный", "зеленый", "синий")
channel_ids = (0, 1, 2)

# создаем график гистограммы с тремя линиями, одна для
# каждый цвет
plt.xlim ([0, 256])
для (channel_id, c) в zip (channel_ids, colors):
    # измените это, чтобы использовать круговую маску для применения гистограммы
    # операция на 7 лунку первого ряда
    # ИЗМЕНИТЬ КОД ЗДЕСЬ
    гистограмма, bin_edges = np.histogram (
        изображение [:,:, channel_id] [маска], ячейки = 256, диапазон = (0, 256)
    )

    plt.plot (гистограмма, цвет = c)

plt.xlabel ("значение цвета")
plt.ylabel («количество пикселей»)

plt.show ()
  

Гистограммы для морфометрического теста (10 мин - необязательно, не учтены во времени)

Используя программы градаций серого и цветных гистограмм, которые мы разработали в этом выпуске, создать гистограммы для колоний бактерий в Рабочий стол / мастерские / обработка изображений / 10 задач справочник.Спасти гистограммы для дальнейшего использования.

Ключевые точки

• Мы можем загружать изображения в оттенках серого, передав параметр as_gray = True в функцию skimage.io.imread () .

• Мы можем создавать гистограммы изображений с помощью функции np.histogram .

• Мы можем разделить каналы RGB изображения с помощью операций нарезки.

• Мы можем отображать гистограммы, используя matplotlib pyplot figure () , title () , xlabel () , ylabel () , xlim () , plot () и show () функции.

 h (i) = количество пикселей в I (изображение) со значением интенсивности i 

 из skimage import io 
 import matplotlib.pyplot as pltimage = io.imread ('~ / Desktop / Lenna_gray.png') ax = plt.hist (image.ravel (), bins = 256) 
 plt.show () Вывод: Figure-1 

 h (i) = h_red (i) + h_green (i) + h_blue (i) 

 из skimage import io 
 import matplotlib.pyplot as pltimage = io.imread ('~ / Desktop / Lenna.png') 
 _ = plt.hist (image.ravel (), bins = 256, color = 'orange',) _ = plt.hist (image [:,:, 0] .ravel (), bins = 256, color = 'красный ', alpha = 0.5) _ = plt.hist (image [:,:, 1] .ravel (), bins = 256, color =' Green ', alpha = 0.5) _ = plt.hist (image [:,: , 2].ravel (), bins = 256, color = 'Blue', alpha = 0.5) _ = plt.xlabel ('Intensity Value') 
 _ = plt.ylabel ('Count') 
 _ = plt.legend (['Total ',' Red_Channel ',' Green_Channel ',' Blue_Channel ']) 
 plt.show () Вывод: Рисунок-2 

, если мы квантуем 0-255 в 8 интервалов, здесь наши интервалы будут 
 0-31, 32-63, 64-95, 96-127, 128-159, 160-191, 192-223, 224 -255 

 k = 256 # количество возможных целочисленных значений в 8-битном представлении 
 b = 8 # количество бункеров j = floor ((h (i) * b) / k) #j - количество бинов для значение интенсивности в позиции i 

 из skimage import io 
 import matplotlib.pyplot as pltimage = io.imread ('~ / Desktop / Lenna_gray.png') _ = plt.hist (image.ravel (), bins = 8) 
 _ = plt.xlabel ('Intensity Value') 
 _ = plt .ylabel ('Count') 
 plt.show () Вывод: Рисунок-3 

, если i = 0, то H (i) = h (0) 
, иначе H (i) = H (i-1) + h (0)