直方圖均衡化
關注創建者：胖子愛學習 創建時間：2018-12-22
直方圖均衡化的視頻教程
第四課 Matlab圖像直方圖均衡化
本課程適用于想學或想進行matlab做圖像處理的同學們，課程包含操作實現讀取圖片，將圖像直方圖均衡化并相應顯示，相應大家可以通過學習拓展到圖像分析的應用上，希望能長久的和大家一起學習進步。每一期視頻都會上傳相應的可運行的源碼附件。
￥5 2分鐘 24播放
查看
直方圖均衡化的實例教程
00 載入擴展庫
import numpy as np
import matplotlib.pyplot as plt
01 直方圖
x=np.random.randint(0,10,100)
bins=np.arange(0,11,1)
plt.hist(x,bins=bins,rwidth=0.5,align='left',color='r')
02 堆積（疊加）
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
bins=np.arange(0,11,1)
plt.hist([x,y],bins=bins,rwidth=0.5,align='left',stacked=True,color=['b','g'])
03 并列
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
z=np.random.randint(0,10,30)
bins=np.arange(0,11,1)
plt.hist([x,y,z],bins=bins,rwidth=0.5,align='left',stacked=False,color=['b','g','m'])
展開 00 載入擴展庫
import numpy as np
import matplotlib.pyplot as plt
01 直方圖
x=np.random.randint(0,10,100)
bins=np.arange(0,11,1)
plt.hist(x,bins=bins,rwidth=0.5,align='left',color='r')
02 堆積（疊加）
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
bins=np.arange(0,11,1)
plt.hist([x,y],bins=bins,rwidth=0.5,align='left',stacked=True,color=['b','g'])
03 并列
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
z=np.random.randint(0,10,30)
bins=np.arange(0,11,1)
plt.hist([x,y,z],bins=bins,rwidth=0.5,align='left',stacked=False,color=['b','g','m'])
展開 數據散點圖 162
5.4.4 五分位數 164
5.4.5 累積分布函數 165
5.4.6 核密度估計 166
5.5 數據分布分析 167
5.6 小結 169
思考題 170
第6章 描述性分析案例 171
6.1 數據圖形化案例解析 171
6.1.1 點圖 171
6.1.2 餅圖和條形圖 172
6.1.3 莖葉圖和箱線圖 173
6.2 數據分布趨勢案例解析 175
6.2.1 平均值 175
6.2.2 加權平均值 175
6.2.3 數據排序 176
6.2.4 中位數 177
6.2.5 極差、半極差 177
6.2.6 方差 178
6.2.7 標準差 178
6.2.8 變異系數、樣本平方和 178
6.2.9 偏度系數、峰度系數 179
6.3 正態分布案例解析 180
6.3.1 正態分布函數 180
6.3.2 峰度系數分析 181
6.3.3 累積分布概率 181
6.3.4 概率密度函數 182
6.3.5 分位點 183
6.3.6 頻率直方圖 185
6.3.7 核概率密度與正態概率分布圖 185
6.3.8 正態檢驗與分布擬合 186
6.3.9 其他分布及其擬合 188
6.4 多變量分析 189
6.4.1 多變量數據分析 189
6.4.2 多元數據相關性分析 197
6.5 小結 201
思考題 201
第7章 假設檢驗與回歸模型案例 202
7.1 假設檢驗 202
7.1.1 二項分布假設檢驗 202
7.1.2 數據分布檢驗 204
7.1.3 正態總體均值檢驗 205
7.1.4 列聯表 206
7.1.5 符號檢測 207
7.1.6 秩相關檢驗 210
7.1.7 Kendall相關檢驗 213
7.2 回歸模型 214
7.2.1 回歸預測與顯著性檢驗 214
7.2.2 回歸診斷 216
7.2.3 回歸優化
展開 灰度變換增強（線性灰度變換、分段線性灰度變換、非線性灰度變換）；
直方圖增強（直方圖統計、直方圖均衡化）；
圖像平滑/降噪（鄰域平均法、加權平均法、中值濾波、非線性均值濾波、高斯濾波、雙邊濾波）；
圖像（邊緣）銳化：梯度銳化，Roberts算子、Laplace算子、Sobel算子等；
3、紋理分析（取骨架、連通性）；
4、圖像分割：
圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。
17
圖像直方圖計算及繪制
先掌握直方圖相關概念，在掌握核心函數，最后通過 matplotlib 模塊對直方圖進行繪制。計算直方圖用到的函數是 cv2.calcHist()。
直方圖相關應用：
直方圖均衡化 cv2.equalizeHist()；
直方圖對比 cv2.compareHist()；
反向投影 cv2.calcBackProject()。
18
模板匹配
模板匹配是在一幅圖像中尋找與另一幅模板圖像最匹配（相似）部分的技術。
核心用到的函數如下：
模板匹配 cv2.matchTemplate()；
矩陣歸一化 cv2.normalize()；
尋找最值 cv2.minMaxLoc()。
展開 
直方圖均衡化的最新內容
灰度變換增強（線性灰度變換、分段線性灰度變換、非線性灰度變換）；
直方圖增強（直方圖統計、直方圖均衡化）；
圖像平滑/降噪（鄰域平均法、加權平均法、中值濾波、非線性均值濾波、高斯濾波、雙邊濾波）；
圖像（邊緣）銳化：梯度銳化，Roberts算子、Laplace算子、Sobel算子等；
直方圖相關應用：
直方圖均衡化 cv2.equalizeHist()；
直方圖對比 cv2.compareHist()；
反向投影 cv2.calcBackProject()。
在環境感知方法方面，有關文獻針對激光雷達點云數據，采用中值濾波和點云數據聚類方法實現了海面障礙檢測，有文獻利用深度學習的高維特征泛化學習能力，將卷積神經網絡用于雜波背景下海上微動目標的檢測和分類，有文獻針對低照度海上目標識別過程中熱像儀圖像存在干擾的情形，利用直方圖均衡化的方法增強了目標與背景之間的對比度，有文獻針對無人艇在水面環境中拍攝的圖像經常受到水汽或海霧的影響而出現模糊的問題，提出了水面圖像去霧算法的硬件加速方案
404
10.7 仿射 405
10.7.1 仿射原理 405
10.7.2 仿射變換實例 405
10.8 透視投影與透視變換 406
10.8.1 透視投影原理 406
10.8.2 透視投影實例 407
10.9 灰度變換與圖像增強 409
10.9.1 灰度變換概述 409
10.9.2 對數變換 409
10.9.3 分段線性變換 410
10.9.4 指數變換 411
10.9.5 直方圖均衡化
00 載入擴展庫
import numpy as np
import matplotlib.pyplot as plt
01 直方圖
x=np.random.randint(0,10,100)
bins=np.arange(0,11,1)
plt.hist(x,bins=bins,rwidth=0.5,align='left',color='r')
00 載入擴展庫
import numpy as np
import matplotlib.pyplot as plt
01 直方圖
x=np.random.randint(0,10,100)
bins=np.arange(0,11,1)
plt.hist(x,bins=bins,rwidth=0.5,align='left',color='r')
