一、直方圖　

代碼：

from PIL import Image
from pylab import *
from numpy import *

im=array(Image.open('D:/img/cs.jpg').convert('L'))
#讀取圖片并轉(zhuǎn)化為灰度圖

gray()
subplot(121)
imshow(im)

subplot(122)
hist(im.flatten(),256)

show()

結(jié)果：

以下右圖為左圖的直方圖

 說明：

讀取圖片，將圖片進(jìn)行灰度轉(zhuǎn)換,，轉(zhuǎn)換后的灰度圖可以看成是一個(gè)二維的灰度值矩陣,，遍歷矩陣，對相同的灰度值進(jìn)行統(tǒng)計(jì)就可以得到灰度圖的直方圖

gray()函數(shù)是使得圖片顯示為灰色,，若不加此句會(huì)使結(jié)果中的左邊圖像呈現(xiàn)藍(lán)綠色

hist()是python庫自帶的函數(shù),，統(tǒng)計(jì)生成直方圖

flatten()函數(shù)是將圖片的二維矩陣轉(zhuǎn)換成一維

二、高斯濾波

代碼：

from PIL import Image
from pylab import *
from numpy import *
from scipy.ndimage import filters

img = Image.open('D:/img/cs.jpg').convert('L')

gray()
subplot(121)
imshow(img)

subplot(122)
G = filters.gaussian_filter(img,10) #10是σ,，標(biāo)準(zhǔn)差的值,，指的是高斯核的標(biāo)準(zhǔn)差
imshow(G)

show()

結(jié)果：

左圖為原始圖片，右圖為經(jīng)過高斯模糊后的圖片

 說明：

高斯濾波是一種廣泛用于對圖像進(jìn)行降噪的線性平滑濾波,，高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程,，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到,。高斯核,，其實(shí)就是一個(gè)權(quán)值的矩陣，高斯核旋轉(zhuǎn)180°,，核的中心對著某點(diǎn)的像素,，將高斯核所覆蓋的像素點(diǎn)與核進(jìn)行相乘然后相加就得到該點(diǎn)的像素值，這就是高斯濾波的卷積運(yùn)算,。噪聲點(diǎn)比較尖銳突出時(shí),，像高斯濾波這樣會(huì)將噪聲點(diǎn)周圍的像素點(diǎn)納入考慮，進(jìn)行加權(quán)平均,，通過周圍點(diǎn)對噪聲點(diǎn)的影響減少噪聲點(diǎn)的強(qiáng)度或影響,。（這是個(gè)人理解）

參考：https://blog.csdn.net/lvquanye9483/article/details/81592574

三、直方圖均衡化

代碼：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread("D:/img/cs.jpg",1)
src_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
dst = cv2.equalizeHist(src_gray)
plt.subplot(221)
plt.imshow(src_gray)
plt.subplot(222)
plt.hist(src_gray.ravel(),256)
plt.subplot(223)
plt.imshow(dst)
plt.subplot(224)
plt.hist(dst.ravel(),256)
plt.show()

結(jié)果:

第一行為原圖和直方圖,，第二行為均衡化后的圖像和直方圖

 說明：

直方圖均衡化是通過拉伸像素強(qiáng)度分布范圍來增強(qiáng)圖像對比度的一種方法,。

參考：https://blog.csdn.net/u013066730/article/details/82969768    數(shù)學(xué)原理

　　　http://www./opencvdoc/2.3.2/html/doc/tutorials/imgproc/histograms/histogram_equalization/histogram_equalization.html