I=imread('可爱猫咪.jpg'); I_gray=rgb2gray(I); subplot(3,3,1),imshow(I_gray),title('原始图像') subplot(3,3,7),imhist(I_gray),title('原图像直方图') %幂函数变换直方图 Index=0:N-1; Hist{1}=exp(-(Index-15).^2/8); % 4 Hist{1}=Hist{1}/sum(Hist{1}); Hist_cumulation{1}=cumsum(Hist{1}); subplot(3,3,5),stem(0:N-1,Hist{1}),title('幂函数变换直方图') % log函数直方图 Index=0:N-1; Hist{2}=log(Index+20)/60; % 15 Hist{2}=Hist{2}/sum(Hist{2}); Hist_cumulation{2}=cumsum(Hist{2}); subplot(3,3,6),stem(0:N-1,Hist{2}),title('log函数变换直方图') % 规定化处理 for m=1:2 Image=I_gray; for k=1:N Temp=abs(Hist_image_cumulation(k)-Hist_cumulation{m}); [Temp1, Project{m}(k)]=min(Temp); end % 变换后直方图 for k=1:N Temp=find(Project{m}==k); if isempty(Temp) Hist_result{m}(k)=0; else Hist_result{m}(k)=sum(Hist_image(Temp)); end end subplot(3,3,m+7),stem(0:N-1,Hist_result{m}),title('变换后直方图') % 结果图 Step=256/N; for k=1:N Index=find(I_gray>=Step*(k-1)&I_gray<Step*k); Image(Index)=Project{m}(k); end subplot(3,3,m+1),imshow(Image,[]),title('变换后图像') end
时间: 2023-06-25 13:01:51 浏览: 47
这段代码是对一张彩色猫咪图片进行灰度化处理,并对其直方图进行幂函数和log函数变换,然后进行规定化处理,得到两张经过变换后的图片和直方图。
首先,代码用`imread`函数读取了一张名为"可爱猫咪.jpg"的彩色图片,并用`rgb2gray`函数将其转换为灰度图像。然后,代码使用`subplot`函数将原始图像和其直方图显示在第一行第一列和第三行第一列上。
接下来,代码定义了两个变换函数:幂函数和log函数,并对其进行归一化处理,得到两个处理后的直方图。其中,`cumsum`函数用于计算直方图的累积分布函数。
然后,代码用一个循环分别对两个变换后的直方图进行规定化处理,并分别显示变换后的直方图和处理后的图像。具体来说,代码对每个像素值,找到其在变换后的直方图中对应的像素值,然后将原图像中对应像素值的像素替换为变换后的像素值,从而得到处理后的图像。
最后,代码用`imshow`函数将两张变换后的图片显示在第二行和第三行,并用`stem`函数将两个变换后的直方图显示在第二行第二列和第二行第三列上。
相关问题
import cv2 import numpy as np import torch import torch.nn.functional as F from skimage.segmentation import slic import matplotlib.pyplot as plt from skimage.segmentation import mark_boundaries from skimage import img_as_float # 定义超像素数量 num_segments = 100 # 加载图像 A 和 B img_a = cv2.imread('img_a.jpg') img_b = cv2.imread('img_b.jpg') # 对图像 A 进行超像素分割,并获取每个超像素块的像素范围 segments_a = slic(img_as_float(img_a), n_segments=num_segments, sigma=5) pixel_ranges = [] for i in range(num_segments): mask = (segments_a == i) indices = np.where(mask)[1] pixel_range = (np.min(indices), np.max(indices)) pixel_ranges.append(pixel_range) # 将像素范围应用到图像 B 上实现超像素分割 segments_b = np.zeros_like(segments_a) for i in range(num_segments): pixel_range = pixel_ranges[i] segment_b = img_b[:, pixel_range[0]:pixel_range[1], :] segment_b = torch.from_numpy(segment_b.transpose(2, 0, 1)).unsqueeze(0).float() segment_b = F.interpolate(segment_b, size=(img_b.shape[0], pixel_range[1] - pixel_range[0]), mode='bilinear', align_corners=True) segment_b = segment_b.squeeze(0).numpy().transpose(1, 2, 0).astype(np.uint8) gray = cv2.cvtColor(segment_b, cv2.COLOR_BGR2GRAY) _, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY) segments_b[np.where(mask)] = i # 可视化超像素分割结果 fig = plt.figure('Superpixels') ax = fig.add_subplot(1, 2, 1) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(img_a, cv2.COLOR_BGR2RGB)), segments_a)) ax = fig.add_subplot(1, 2, 2) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(img_b, cv2.COLOR_BGR2RGB)), segments_b)) plt.axis("off") plt.show(),上述代码中segments_a = slic(img_as_float(img_a), n_segments=num_segments, sigma=5)出现错误:ValueError: Cannot convert from object to float64.
这个错误的原因可能是因为 `img_a` 的类型不是浮点类型,需要将其转换为浮点类型后再进行超像素分割。可以使用 `img_as_float` 函数将其转换为浮点类型,代码如下:
```
import cv2
import numpy as np
import torch
import torch.nn.functional as F
from skimage.segmentation import slic
import matplotlib.pyplot as plt
from skimage.segmentation import mark_boundaries
from skimage import img_as_float
# 定义超像素数量
num_segments = 100
# 加载图像 A 和 B
img_a = cv2.imread('img_a.jpg')
img_b = cv2.imread('img_b.jpg')
# 将图像 A 转换为浮点类型
img_a = img_as_float(img_a)
# 对图像 A 进行超像素分割,并获取每个超像素块的像素范围
segments_a = slic(img_a, n_segments=num_segments, sigma=5)
pixel_ranges = []
for i in range(num_segments):
mask = (segments_a == i)
indices = np.where(mask)[1]
pixel_range = (np.min(indices), np.max(indices))
pixel_ranges.append(pixel_range)
# 将像素范围应用到图像 B 上实现超像素分割
segments_b = np.zeros_like(segments_a)
for i in range(num_segments):
pixel_range = pixel_ranges[i]
segment_b = img_b[:, pixel_range[0]:pixel_range[1], :]
segment_b = torch.from_numpy(segment_b.transpose(2, 0, 1)).unsqueeze(0).float()
segment_b = F.interpolate(segment_b, size=(img_b.shape[0], pixel_range[1] - pixel_range[0]), mode='bilinear', align_corners=True)
segment_b = segment_b.squeeze(0).numpy().transpose(1, 2, 0).astype(np.uint8)
gray = cv2.cvtColor(segment_b, cv2.COLOR_BGR2GRAY)
_, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)
segments_b[np.where(mask)] = i
# 可视化超像素分割结果
fig = plt.figure('Superpixels')
ax = fig.add_subplot(1, 2, 1)
ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(img_a, cv2.COLOR_BGR2RGB)), segments_a))
ax = fig.add_subplot(1, 2, 2)
ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(img_b, cv2.COLOR_BGR2RGB)), segments_b))
plt.axis("off")
plt.show()
```
不用camp参数,换一个img1 = imread('gray_image1.jpg', cmap='gray') img2 = imread('gray_image2.jpg', cmap='gray') img3 = imread('gray_image3.jpg', cmap='gray')
如果您不想使用`cmap`参数来指定灰度图像的颜色映射,您可以在读取图像后使用Matplotlib库中的`cmap`函数将图像转换为灰度图像。
以下是一个示例代码:
```python
import matplotlib.pyplot as plt
from matplotlib.image import imread
import matplotlib.cm as cm
# 读取三张彩色图像
img1 = imread('color_image1.jpg')
img2 = imread('color_image2.jpg')
img3 = imread('color_image3.jpg')
# 将彩色图像转换为灰度图像
gray_img1 = cm.rgb2gray(img1)
gray_img2 = cm.rgb2gray(img2)
gray_img3 = cm.rgb2gray(img3)
# 创建一个大小为1x3的子图布局,并在每个子图中显示一张灰度图像
fig, axs = plt.subplots(1, 3, figsize=(10, 5))
axs[0].imshow(gray_img1, cmap='gray')
axs[0].set_title('Image 1', size=10)
axs[0].axis('off')
axs[1].imshow(gray_img2, cmap='gray')
axs[1].set_title('Image 2', size=10)
axs[1].axis('off')
axs[2].imshow(gray_img3, cmap='gray')
axs[2].set_title('Image 3', size=10)
axs[2].axis('off')
# 显示图像
plt.show()
```
这个示例代码假设您已经将三张彩色图像保存在'color_image1.jpg','color_image2.jpg'和'color_image3.jpg'文件中,且这些文件位于您的Python代码文件的同一目录下。我们使用Matplotlib库中的`rgb2gray`函数将彩色图像转换为灰度图像,并将转换后的灰度图像存储在`gray_img1`,`gray_img2`和`gray_img3`变量中。然后,我们使用`imshow`函数在每个子图中显示一张灰度图像,并使用`set_title`函数为每个子图添加标题。最后,使用`axis`函数关闭坐标轴的显示。