图像处理imhist函数_imhist函数处理彩色图像 - CSDN
  • 利用matlab计算图像直方图函数imhist()  具体用法:  imhist( i );直接显示图像i的灰度直方图;  imhist(i,n)n为指定灰度级显示直方图;  [count, x] = imhist( i ) 获取直方图信息,count为每一级灰度...

    imhist

    利用matlab计算图像直方图函数为imhist() 
    具体用法: 
    imhist( i );直接显示图像i的灰度直方图; 
    imhist(i,n)n为指定灰度级显示直方图; 
    [count, x] = imhist( i ) 获取直方图信息,count为每一级灰度像素个数,x为灰度级,x也可以在imhist(i,x)中指定,可以通过stem(x,count)画相应直方图;

    展开全文
  • 直方图 直方图是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。图像的直方图表示的则是不同灰度级占总像素的...函数imhist可以绘制得到图像的直方图,它是Matlab图像直方图处理工具箱中的一...

    直方图
    直方图是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。图像的直方图表示的则是不同灰度级占总像素的分布情况。

    以uint8类的图像为例,该类图像具有2^8=256级亮度,不同亮度对应的像素数不同,统计得到256级亮度分别对应的像素数并绘制出直观的图表,这就是图像的直方图。

    imhist
    函数imhist可以绘制得到图像的直方图,它是Matlab图像直方图处理工具箱中的一个核心函数。

    调用格式
    imhist(I,n)
    I为输入图像,需为灰度图像,n为指定的灰度级数目,缺省值为256。

    使用示例

    f = imread('figure1.jpg');
    h = rgb2gray(f);%将RGB图像转换为灰度图像
    imhist(h)
    

    得到灰度图像h的直方图如下所示:
    在这里插入图片描述

    除了能用函数imhist绘制直方图以外,还能使用函数bar、stem、plot绘制图像的直方图,在Matlab中输入以下代码:

    f = imread('figure2.jpg');
    h = rgb2gray(f);%将RGB图像转换为灰度图像
    h1 = h(1:10:256);
    horz = 1:10:256;
    subplot(2,2,1)
    imhist(h)
    subplot(2,2,2)
    bar(horz,h1,0.5)
    subplot(2,2,3)
    stem(horz,h1,'fill')
    subplot(2,2,4)
    plot(imhist(f))
    

    得到四种不同的绘图函数的绘制效果如下图所示:
    在这里插入图片描述
    在实际应用中可以根据不同情况选择使用不同的函数进行绘制,得到更好的显示效果。

    展开全文
  • 数字图像处理02:直方图均衡化imhist函数的python实现 6、整体代码 # -*- coding: utf-8 -*- """ Created on Sun Jan 20 09:20:58 ...

    版权声明:本文为博主原创文章,未经博主允许不得转载。


    数字图像处理02:直方图均衡化imhist函数的python实现

    1、直方图均衡

    直方图均衡就是将灰度比较集中一定范围的图像通过灰度映射/变换,使其灰度值平均分布在灰度级的范围内,以得到图像的更多细节,从而达到对比度增强的效果。

    2、直方图均衡化的原理公式

    1. 连续情况
    在这里插入图片描述
    其中Pr( r )Ps(s)分别是原始图像灰度级r和变换后图像的灰度级s的概率密度函数PDFL-1为图像的最大灰度级。上一个公式表示的是rPDFPr( r )和sPDFPs(s)的关系。给定一个输入,则Pr( r )已知,就可以求出s,继而求出Ps(s)。rs的映射关系即为均衡化关系。由Pr( r )Ps(s)可以得出输入图像的直方图和变换后的输出图像的直方图。
    在这里插入图片描述
    在这里插入图片描述
    再经过以上两个公式的推导,可以得出结论Ps(s)=1/(L-1),可知该变换s=t( r )就是取均值。
    2. 离散情况
    对于图像来说,其实应该是离散情况。
    在这里插入图片描述
    在这里插入图片描述
    其中MN为图像的像素总个数。以上两个公式是“1”中公式的离散情况,在实际对图像进行操作中也应该是离散情况下进行操作计算。

    3、离散情况举例

    注:该例子对应于冈萨雷斯.《数字图像处理(第三版)》中文翻译版,第76面例3.5。
    在这里插入图片描述
    上图中的数据经过‘2’中的公式计算得到经过变换的r对应的s值分别为:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    S0~S7经过四舍五入取整:
    在这里插入图片描述
    可以看原始图像数据像素集中在r0~r3 即灰度0~3,经过均衡化变换后,将0变换为11变换为32变换为53、4变换为65、6、7变换为7,这样就将灰度分散开。所谓均衡变换也就是灰度级的映射变换,即将灰度级密度大值的映射成其它原来灰度级密度小的值,以达到一种均衡化/平均的效果。从rs的映射将集中的r分散到其他灰度,即将灰度值r变为其他灰度值,达到均衡化。

    4、直方图均衡化计算步骤

    在这里插入图片描述
    其中第四步计算累积直方图是为了下一步(第五步)计算变换后对应的灰度值,而第五步中先加0.5再作INT(取整)操作即是四舍五入取整操作(此操作对于编程实现非常有用)。
    对例3.5的具体步骤如下:
    在这里插入图片描述
    注:此上两张图来源于许录平.科学出版社. 《数字图像处理》. 配套教学PPT。

    5、Matlab中直方图均衡化的imhist函数

    h=imhist(f, b),其中f为输入图像,h为直方图,b是用来形成直方图的“统计堆栈”的数目。“统计堆栈”仅仅是灰度的一小部分。例如我们处理一幅uint8类的图像且设b=2,然后灰度范围被分成两部分:0至127和128至255。所得的直方图将有两个值:h(1)等于图像在[0,127]间隔内的像素数,h(2)等于图像在[128,255]间隔内的像素数。通过下列表达式就可以得到归一化的直方图:p=imhist(f, b)/numel(f)numel(f)函数可以给出数组f中元素的个数(即图像中的像素数)。

    6、python代码实现

    1. 显示图像标题所需的字体

    from pylab import mpl
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    

    2. 需要导入的库

    import numpy as np
    import matplotlib.pyplot as plt
    from scipy import misc
    

    3.画条形图/直方图或者可视化所需要的包和函数创建。
    由于用matplotlib自带的绘制条形图/直方图的包imhist绘图时出现了问题,所以就选择了之前用过的数据可视化的绘图包pyechartspyecharts函数包的是一个可以根据数据绘制条形图/折线图/饼状图的python绘图包,具体用法请见主页:pyecharts 文档

    # 画条形图/直方图 或者可视化。导入pyecharts函数包
    import os
    from pyecharts import Bar,Pie,Line
    # 创建直方图/条形图绘制函数
    def get_charts(x, y, label, type):
        
        if type==1:
            c = Pie('饼状图')
        elif type==2:
            c = Bar('条形图')
        elif type==3:
            c = Line('折线图')
        c.add(label, x, y, is_more_utils=True)
        c.show_config()
        c.render()
        os.system(r"render.html")
    

    其中xy分别是要绘制图形的x轴和y轴的数据,label为图形的标注/标签,type1、2、3分别表示 ‘饼状图’‘条形图’‘折线图’,操作实现非常简单,而且绘制出来的图形非常好看。

    4.imhist函数实现

    # imhist函数构建,img为原始图像,L为其灰度级
    def imhist(img, L):
        
        f = misc.imread(img)
        plt.figure(1)
        plt.imshow(f, cmap='gray')
        plt.axis('off')
        plt.title('原始图像')
        plt.show()
        
        
        w, h = f.shape
        f1 = np.zeros([w, h])
        pallel = dict((i,0) for i in range(L))
        # 计算原始图像灰度级像素个数ni
        for x in range(0,w):
            for y in range(0,h):
                i = f[x, y]
                if i in pallel:
                    pallel[i] = pallel[i] + 1
                else:
                    pallel[i] = 1
        
        key = [i for i in range(L)]     # key为灰度级,即0~255
        value1 = [pallel[i] for i in range(L)]      # value1为各灰度级的像素个数ni
        n = w * h
        
        #计算原始图像的直方图,value2为原始图像的直方图P(i) = ni/n = ni/(w*h)
        value2 = [value1[i]/n for i in range(L)]        
        
        # 计算累积直方图,value3为累积直方图Pj
        value3 = [0 for i in range(L)]             
        value3[0] = value2[0]
        for j in range(1, L):
            value3[j] = value3[j-1] + value2[j]
        
        # 计算灰度值变换,value4为由r变换为s后的灰度值
        value4 = [0 for i in range(L)]          
        for j in range(L):
            value4[j] = int((L-1) * value3[j] + 0.5)
        
        # 计算变换后各灰度级的像素个数nj,value5即为nj
        value5 = [0 for j in range(L)]
        for x in range(0,w):
            for y in range(0,h):
                i = f[x, y]
                t = value4[i]
                f1[x, y] = t
                for k in range(L):
                    if (t == k):
                        value5[k] = value5[k] + 1
    #            j = f1[x, y]
    #            if t in value5:
    #                value5[t] = value5[t] + 1
    #            else:
    #                value5[t] = 1
    
        
        # 计算变换后图像的直方图,value6即为P(j)
        value6 = [value5[i]/n for i in range(L)]
        
        
        # 均衡化后的图像
        scipy.misc.imsave('huafen2_2.png', f1)
        plt.figure(2)
        plt.imshow(f1, cmap='gray') 
        plt.axis('off')
        plt.title('变换图像')
        plt.show()
        
        return f1, f, pallel, key, value1, value2, value3, value4, value5, value6
    

    (1) 其中,img为输入图像,L为最大灰度级,如256。

    (2)

        f = misc.imread(img)
        plt.figure(1)
        plt.imshow(f, cmap='gray')
        plt.axis('off')
        plt.title('原始图像')
        plt.show()
    

    这段代码用来读入原始图像。

    (3)

        pallel = dict((i,0) for i in range(L))
        # 计算原始图像灰度级像素个数ni
        for x in range(0,w):
            for y in range(0,h):
                i = f[x, y]
                if i in pallel:
                    pallel[i] = pallel[i] + 1
                else:
                    pallel[i] = 1
        
        key = [i for i in range(L)]     # key为灰度级,即0~255
        value1 = [pallel[i] for i in range(L)]      # value1为各灰度级的像素个数ni
        n = w * h
    

    pallel表示由原图像的灰度值和该灰度值的个数作为键值对的字典,灰度值为键,个数为值。首先创建一个长度为L的空字典,然后遍历图像,通过两个判断语句ifelse将图像灰度值的个数添加到字典pallel中,如果灰度值ipallel中,则pallel[i]对应的i这个灰度值的个数加一,否则 灰度值i的个数等于一,依次遍历整个图像矩阵。最后将灰度级0~255存到列表key中,将各灰度级的个数存到value1中。

    (4) 然后按照 ‘4、’ 中的8个步骤依次计算剩余的变量/数据列表。

    #计算原始图像的直方图,value2为原始图像的直方图P(i) = ni/n = ni/(w*h)
        value2 = [value1[i]/n for i in range(L)]        
        
        # 计算累积直方图,value3为累积直方图Pj
        value3 = [0 for i in range(L)]             
        value3[0] = value2[0]
        for j in range(1, L):
            value3[j] = value3[j-1] + value2[j]
        
        # 计算灰度值变换,value4为由r变换为s后的灰度值
        value4 = [0 for i in range(L)]          
        for j in range(L):
            value4[j] = int((L-1) * value3[j] + 0.5)
        
        # 计算变换后各灰度级的像素个数nj,value5即为nj
        value5 = [0 for j in range(L)]
        for x in range(0,w):
            for y in range(0,h):
                i = f[x, y]
                t = value4[i]
                f1[x, y] = t
                for k in range(L):
                    if (t == k):
                        value5[k] = value5[k] + 1
    #            j = f1[x, y]
    #            if t in value5:
    #                value5[t] = value5[t] + 1
    #            else:
    #                value5[t] = 1
    
        
        # 计算变换后图像的直方图,value6即为P(j)
        value6 = [value5[i]/n for i in range(L)]
    

    (5) 保存并显示均衡化变换后代图像,并返回各数据列表

        # 均衡化后的图像
        scipy.misc.imsave('huafen2_2.png', f1)
        plt.figure(2)
        plt.imshow(f1, cmap='gray') 
        plt.axis('off')
        plt.title('变换图像')
        plt.show()
            
        return f1, f, pallel, key, value1, value2, value3, value4, value5, value6
    

    5. 测试imhist函数,并绘制条形图/直方图

    # imhist函数测试        
    f1, f,pallel, key, value1, value2, value3, value4, value5, value6 = imhist('huafen2.tif', 256)
    
    # 绘制原始图像灰度级像素个数的条形图
    label1 = "灰度级:像素个数"
    type = 2     # type = 2表示条形图
    get_charts(key, value1, label1, type)
    
    # 绘制原始图像灰度级概率密度的条形图
    label2 = "灰度级:概率密度"
    type = 2     # type = 2表示条形图
    get_charts(key, value2, label2, type)
    
    # 绘制原始图像的累积直方图
    label3 = "灰度级:累积概率密度"
    type = 2     # type = 2表示条形图
    get_charts(key, value3, label3, type)
    
    # 绘制映射变换关系的条形图
    label3 = "灰度级:灰度级"
    type = 2     # type = 2表示条形图
    get_charts(key, value4, label3, type)
    
    # 绘制变换后图像灰度级像素个数的条形图
    label3 = "灰度级:像素个数"
    type = 2     # type = 2表示条形图
    get_charts(key, value5, label3, type)
    
    # 绘制变换后图像灰度级概率密度的条形图
    label3 = "灰度级:概率密度"
    type = 2     # type = 2表示条形图
    get_charts(key, value6, label3, type)
    

    输入图像f冈萨雷斯.《数字图像处理(第三版)》中文翻译版 第三章的例图 “huafen”:
    在这里插入图片描述
    均衡化变换后的图像f1为:
    在这里插入图片描述
    经过均衡化变换后,原始的暗色图象个变亮了,可以得到图像的更多细节。
    (1) value1的条形图(原始图像各灰度值的个数统计图)如下:
    在这里插入图片描述
    在该条形图中可以看出原始图像的各像素值的个数,以及其主要分布在较低的灰度级,所以原始图像看上去比较暗。
    (2) value2的直方图(原始图像各灰度级的概率密度图)如下:
    在这里插入图片描述
    (3) value3的条形图(原始图像各灰度级的原始图像的累积直方图)如下:
    在这里插入图片描述
    (4) value4的条形图(原始图像各灰度级的映射关系图)如下:
    在这里插入图片描述
    从这幅图可以看到原始图像灰度值到变换后图像灰度值的映射关系。
    (5) value5的条形图(变换后图像各灰度值的个数统计图)如下:
    在这里插入图片描述
    从这幅图可以看出,均衡化变换后图像的灰度值均匀的分布在灰度空间,达到了均衡化的效果。

    (6) value6的直方图(变换后图像各灰度级的概率密度图)如下:
    在这里插入图片描述

    6. 整体代码

    # -*- coding: utf-8 -*-
    """
    Created on Sun Jan 20 09:20:58 2019
    
    @author: ChengGD
    """
    
    # 图像显示窗口标题需要的中文字体
    from pylab import mpl
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    
    
    #from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    from scipy import misc
    import scipy 
    #import cv2
    
    
    # 画条形图/直方图 或者可视化。导入pyecharts函数包
    import os
    from pyecharts import Bar,Pie,Line
    # 创建直方图/条形图绘制函数
    def get_charts(x, y, label, type):
        
        if type==1:
            c = Pie('饼状图')
        elif type==2:
            c = Bar('条形图')
        elif type==3:
            c = Line('折线图')
        c.add(label, x, y, is_more_utils=True)
        c.show_config()
        c.render()
        os.system(r"render.html")
    
    
    # imhist函数构建,img为原始图像,L为其灰度级
    def imhist(img, L):
        
        f = misc.imread(img)
        plt.figure(1)
        plt.imshow(f, cmap='gray')
        plt.axis('off')
        plt.title('原始图像')
        plt.show()
        
        
        w, h = f.shape
        f1 = np.zeros([w, h])
        pallel = dict((i,0) for i in range(L))
        # 计算原始图像灰度级像素个数ni
        for x in range(0,w):
            for y in range(0,h):
                i = f[x, y]
                if i in pallel:
                    pallel[i] = pallel[i] + 1
                else:
                    pallel[i] = 1
        
        key = [i for i in range(L)]     # key为灰度级,即0~255
        value1 = [pallel[i] for i in range(L)]      # value1为各灰度级的像素个数ni
        n = w * h
        
        #计算原始图像的直方图,value2为原始图像的直方图P(i) = ni/n = ni/(w*h)
        value2 = [value1[i]/n for i in range(L)]        
        
        # 计算累积直方图,value3为累积直方图Pj
        value3 = [0 for i in range(L)]             
        value3[0] = value2[0]
        for j in range(1, L):
            value3[j] = value3[j-1] + value2[j]
        
        # 计算灰度值变换,value4为由r变换为s后的灰度值
        value4 = [0 for i in range(L)]          
        for j in range(L):
            value4[j] = int((L-1) * value3[j] + 0.5)
        
        # 计算变换后各灰度级的像素个数nj,value5即为nj
        value5 = [0 for j in range(L)]
        for x in range(0,w):
            for y in range(0,h):
                i = f[x, y]
                t = value4[i]
                f1[x, y] = t
                for k in range(L):
                    if (t == k):
                        value5[k] = value5[k] + 1
    #            j = f1[x, y]
    #            if t in value5:
    #                value5[t] = value5[t] + 1
    #            else:
    #                value5[t] = 1
    
        
        # 计算变换后图像的直方图,value6即为P(j)
        value6 = [value5[i]/n for i in range(L)]
        
        
        # 均衡化后的图像
        scipy.misc.imsave('huafen2_2.png', f1)
        plt.figure(2)
        plt.imshow(f1, cmap='gray') 
        plt.axis('off')
        plt.title('变换图像')
        plt.show()
        
        return f1, f, pallel, key, value1, value2, value3, value4, value5, value6
        
    # imhist函数测试        
     f1, f, pallel, key, value1, value2, value3, value4, value5, value6 = imhist('huafen2.tif', 256)
    
    # 绘制原始图像灰度级像素个数的条形图
    label1 = "灰度级:像素个数"
    type = 2     # type = 2表示条形图
    get_charts(key, value1, label1, type)
    
    # 绘制原始图像灰度级概率密度的条形图
    label2 = "灰度级:概率密度"
    type = 2     # type = 2表示条形图
    get_charts(key, value2, label2, type)
    
    # 绘制原始图像的累积直方图
    label3 = "灰度级:累积概率密度"
    type = 2     # type = 2表示条形图
    get_charts(key, value3, label3, type)
    
    # 绘制映射变换关系的条形图
    label3 = "灰度级:灰度级"
    type = 2     # type = 2表示条形图
    get_charts(key, value4, label3, type)
    
    # 绘制变换后图像灰度级像素个数的条形图
    label3 = "灰度级:像素个数"
    type = 2     # type = 2表示条形图
    get_charts(key, value5, label3, type)
    
    # 绘制变换后图像灰度级概率密度的条形图
    label3 = "灰度级:概率密度"
    type = 2     # type = 2表示条形图
    get_charts(key, value6, label3, type)
    
    展开全文
  • 灰度直方图 灰度直方图描述了一幅图像的绘图统计信息,主要应用于图像分割和图像灰度变换等处理过程中。从数学上说它是一个关于灰度的函数,如令x表示灰度值(一般0≤x≤255),则f(x)表示当x为特定灰度时,一幅图像...

    灰度直方图

     灰度直方图描述了一幅图像的绘图统计信息,主要应用于图像分割和图像灰度变换等处理过程中。从数学上说它是一个关于灰度的函数,如令x表示灰度值(一般0≤x≤255),则f(x)表示当x为特定灰度时,一幅图像上灰度值为x的像素的数量,要注意的是这里的函数f(x)是一个离散的函数。从图形上来说,灰度直方图就是一个二维图,横坐标表示灰度值(灰度级别),纵坐标表示具有各个灰度值或者灰度级别的像素在图像中出现的次数或者概率。

    imhist函数:计算图像直方图函数

    具体用法: 

    imhist( i ):直接显示图像i的灰度直方图(默认为255个灰度级); 
    imhist(i,n):n为指定灰度级显示直方图; 
    [count, x] = imhist( i ) 获取直方图信息,count为每一级灰度像素个数,x为灰度级,x也可以在imhist(i,x)中指定,可以通过stem(x,count)画相应直方图;

    代码示例

    clc;clear all;close all;
    
    I = imread('cameraman.tif');
    figure;
    imshow(I);
    title('source');
    
    figure;
    subplot(221);imhist(I,2);
    subplot(222);imhist(I,5);
    subplot(223);imhist(I,10);
    subplot(224);imhist(I);
    
    figure;
    subplot(121); imhist(I,10)
    [count,x] = imhist(I,10)
    subplot(122);stem(x,count);

    结果如下



    由此可见,柱状图的峰值出现在0和170附近,这是因为图片中的主要颜色分别为人物衣服的黑色和天空的灰色。



    [count,x] = imhist(I,10)
    上述代码的运行结果如下:

    count =
            9008
            5530
            1957
            2181
            7801
           12551
           23404
            2576
             436
              92
    x =
             0
       28.3333
       56.6667
       85.0000
      113.3333
      141.6667
      170.0000
      198.3333
      226.6667
      255.0000

    输出结果共10个,x代表灰度值,count为每一级灰度像素个数


    参考博客:

    https://blog.csdn.net/artprog/article/details/49747173

    https://blog.csdn.net/ahafg/article/details/48676543








    展开全文
  • imhist函数 目的:获取图像的灰度直方图。 用法: imhist( img );直接显示图像img的灰度直方图; imhist(img,n);显示一个统计n个灰度级信息的直方图; [counts, x] = imhist( img ) ;获取直方图信息,x为灰度...

    imhist函数

    目的:获取图像的灰度直方图。
    用法:
    imhist( img );直接显示图像img的灰度直方图;
    imhist(img,n);显示一个统计n个灰度级信息的直方图,默认n为256;
    [counts, x] = imhist( img ) ;获取直方图信息,x为灰度级向量(一维),记录着图像中灰度的所有值,而counts也是一个向量(一维),里面记录着x中对应灰度值出现的个数。
    :imhist只能统计灰度图像的直方图,而对于RGB图像则需要分别统计每个通道的直方图。故使用imhist时,要将rgb图转换为灰度图。

    histeq函数

    目的:进行直方图均衡化
    用法:

    • J = histeq(I,hgram); 将原始图像I的直方图变成用户指定的向量hgram。hgram中的各元素的值域为[0,1]。
    • J = histeq(I,n); 指定直方图均衡后的灰度级数n,默认值为64,若n与L(输入图像的灰度级数)相等,则直接执行变换函数。若n<L,则函数试图分配灰度级,以便得到近似平坦的灰度图。
    • [J,T] = histeq(I,…); 返回从能将图像I的灰度直方图变换成图像J的直方图变换T。
      如:
      histeq(I, 128),就是均衡化后的直方图只有128个灰度级。
      :做RGB图像的直方图均衡化时,也需要将RGB图像转换为灰度图像。
    展开全文
  • imhist()函数使用

    2009-12-03 10:59:00
    在使用imhist函数时遇到如下问题:A = imread(D:/我的文档/My Pictures/lena.jpg,jpeg);imhist(A) ??? Error using ==> images/private/checkinput>check_attributesFunction IMHIST expected its first input ...
  • 显示索引图像和灰度图像&gt;&gt; [X,map]=imread('trees.tif');&gt;&gt; gmap=rgb2gray(map);&gt;&gt; figure,imshow(X,map);&gt;&gt; figure,imshow(X,gmap);利用膨胀函数平移图像...
  • 原文地址:Matlab图像处理函数汇总 作者:mimi 图像的变换  ① fft2:fft2函数用于数字图像的二维傅立叶变换,如:i=imread('104_8.tif'); j=fft2(i); ②ifft2::ifft2函数用于数字图像的二维傅立叶反变换,如...
  • 下列表格中除了个别函数外,其余函数都是图像处理工具箱提供的关于图像处理函数,现摘录到此以备查找。 表1 图像显示 函数名 功能说明 函数名 功能说明 colorbar 颜色条显示 ...
  • matlab imhist与histeq函数

    2018-03-03 19:48:04
    参考: https://zhidao.baidu.com/question/506425784.html http://www.ilovematlab.cn/thread-1460-1-1.html ... imhist函数用于获取图像数据的灰度直方图。灰度直方...
  • imhist(f1) 结果出现错误,刚开始用matlab看不懂什么意思,其实是说明不准确。网上搜索才知道,是需要是灰度图,如果不是就要转换了: f1=imread('1.jpg') f1a=rgb2gray(f1) imhist(f1a) 于是就...
  • 核心函数是imhist函数,语法形式h=imhist(f,b),f表示输入的图像,b表示统计灰度级的个数,省略时默认为256.通过p=imhist(f,b)/numel(f)可以获得归一化的直方图,numel函数可以给出数组f中元素的个数。 例:使用...
  • getimage 由坐标轴得到图像数据 ice(DIPUM) 交互彩色编辑 image 创建和显示图像对象 imagesc 缩放数据并显示为图像 immovie 由多帧图像制作电影 imshow 显示图像 imview 在Image Viewer中显示图像 montag...
  • 数字图像处理数字图像处理---灰度变换与空间滤波(一)直方图处理与函数绘图1.1生成并绘制图像的直方图(二)在频率域中直接生成滤波器(三)高通(锐化)频域滤波器(四)选择性滤波(五)小结 数字图像处理—灰度...
  • 图像数组转换为double型:im2double(); 将图像数组转换为uint8型:im2uint8(); 将图像数组转换为uin16型:im2unit16();   灰度图像-&gt;索引图像: [X,MAP] = gray2ind( I, [n]); 其中I表示存储灰度...
  • 图像处理中,我们通常会用到灰度直方图来分析一幅图像,来为我们下一步图像处理做准备,生成灰度直方图的函数imhist,调用这个函数的方法就是imhist(I,n),其中I代表的是我们要处理的图像,n代表的是灰度级数,也...
  • MATLAB图像处理常用函数 作者:陈若愚 日期:2020年2月28日 QQ:2389388826 一、基本操作: 1. 显示索引图像和灰度图像 [X,map]=imread('trees.tif'); gmap=rgb2gray(map); figure,imshow(X,map); figure,imshow(X...
  • 采样与量化 降低分辨率 b1 = imresize(a,1/2); %方法1 b2 = imresize(a,[64,64]); %方法2 b3 = a(1:8:end,1:8:end); %方法3,如不rgb2gray()会出现rgb三个... imhist函数只能处理二维数据 adapthisteq(I);% 自适应直方图
  • Matlab图像处理函数汇总: 图像的变换, 模拟噪声生成函数和预定义滤波器, 图像的增强, 图像边缘检测, 形态学图像处理, 改变MATLAB背景颜色, 小波变换.
  • 下列表格中除了个别函数外,其余函数都是图像处理工具箱提供的关于图像处理函数,现摘录到此以备查找。 表1 图像显示 函数名 功能说明 函数名 功能说明 colorbar 颜色条显示 montage 按矩形剪辑方式显示多帧...
1 2 3 4 5 ... 20
收藏数 1,193
精华内容 477
关键字:

图像处理imhist函数