python 读取两个文件夹中的图像并进行性质差异分析，一个文件路径是D:\zzz\us2，其中是超声图像，另一个文件路径是D:\zzz\na2，其中是自然图像，不用greycomatrix和greycoprops，使用opencv，两种图像的文件类型都是jpg,两种图像都有84张，图片形状不都相同，图像名称是1到84的顺序数，需要将图像归一化，需要对比两种图像的特征必须有颜色，纹理，形状，差异性分析方法需要用到概率分布，最终要实现基于概率分布的超声图像与自然图像性质差异分析，包括完整详细最新的代码

以下是一个实现你所需功能的代码示例。其中，我们使用了OpenCV库来读取图像，使用了numpy库来进行图像的归一化和特征提取，使用了matplotlib库来进行图像的展示和概率分布的可视化。

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

# 读取超声图像
us2_path = 'D:/zzz/us2/'
us2_images = []
for i in range(1, 85):
    image_path = us2_path + str(i) + '.jpg'
    image = cv2.imread(image_path)
    # 将图像缩放到统一大小
    image = cv2.resize(image, (256, 256))
    # 将图像归一化到[0, 1]范围内
    image = cv2.normalize(image.astype('float'), None, 0.0, 1.0, cv2.NORM_MINMAX)
    us2_images.append(image)

# 读取自然图像
na2_path = 'D:/zzz/na2/'
na2_images = []
for i in range(1, 85):
    image_path = na2_path + str(i) + '.jpg'
    image = cv2.imread(image_path)
    # 将图像缩放到统一大小
    image = cv2.resize(image, (256, 256))
    # 将图像归一化到[0, 1]范围内
    image = cv2.normalize(image.astype('float'), None, 0.0, 1.0, cv2.NORM_MINMAX)
    na2_images.append(image)

# 计算颜色特征
us2_color_hist = []
for image in us2_images:
    # 将图像从BGR格式转换为HSV格式
    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    # 计算直方图
    hist = cv2.calcHist([hsv_image], [0, 1], None, [180, 256], [0, 180, 0, 256])
    # 归一化直方图
    hist = cv2.normalize(hist, None, 0.0, 1.0, cv2.NORM_MINMAX)
    us2_color_hist.append(hist.flatten())

na2_color_hist = []
for image in na2_images:
    # 将图像从BGR格式转换为HSV格式
    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    # 计算直方图
    hist = cv2.calcHist([hsv_image], [0, 1], None, [180, 256], [0, 180, 0, 256])
    # 归一化直方图
    hist = cv2.normalize(hist, None, 0.0, 1.0, cv2.NORM_MINMAX)
    na2_color_hist.append(hist.flatten())

# 计算纹理特征
us2_texture_hist = []
for image in us2_images:
    # 将图像从BGR格式转换为灰度格式
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算LBP特征
    lbp_image = np.uint8(
        np.round(cv2.filter2D(gray_image, -1, np.array([[1, 2, 4], [8, 0, 16], [32, 64, 128]]) / 256)))
    hist = cv2.calcHist([lbp_image], [0], None, [256], [0, 256])
    # 归一化直方图
    hist = cv2.normalize(hist, None, 0.0, 1.0, cv2.NORM_MINMAX)
    us2_texture_hist.append(hist.flatten())

na2_texture_hist = []
for image in na2_images:
    # 将图像从BGR格式转换为灰度格式
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算LBP特征
    lbp_image = np.uint8(
        np.round(cv2.filter2D(gray_image, -1, np.array([[1, 2, 4], [8, 0, 16], [32, 64, 128]]) / 256)))
    hist = cv2.calcHist([lbp_image], [0], None, [256], [0, 256])
    # 归一化直方图
    hist = cv2.normalize(hist, None, 0.0, 1.0, cv2.NORM_MINMAX)
    na2_texture_hist.append(hist.flatten())

# 计算形状特征
us2_shape_hist = []
for image in us2_images:
    # 将图像从BGR格式转换为灰度格式
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算轮廓
    _, contours, _ = cv2.findContours(gray_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 计算轮廓面积
    areas = [cv2.contourArea(c) for c in contours]
    # 计算轮廓面积直方图
    hist = cv2.calcHist([np.array(areas)], [0], None, [256], [0, 256])
    # 归一化直方图
    hist = cv2.normalize(hist, None, 0.0, 1.0, cv2.NORM_MINMAX)
    us2_shape_hist.append(hist.flatten())

na2_shape_hist = []
for image in na2_images:
    # 将图像从BGR格式转换为灰度格式
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算轮廓
    _, contours, _ = cv2.findContours(gray_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 计算轮廓面积
    areas = [cv2.contourArea(c) for c in contours]
    # 计算轮廓面积直方图
    hist = cv2.calcHist([np.array(areas)], [0], None, [256], [0, 256])
    # 归一化直方图
    hist = cv2.normalize(hist, None, 0.0, 1.0, cv2.NORM_MINMAX)
    na2_shape_hist.append(hist.flatten())

# 计算差异性分析方法
# 计算颜色特征的概率分布
us2_color_hist = np.array(us2_color_hist)
us2_color_prob = np.sum(us2_color_hist, axis=0) / len(us2_color_hist)
na2_color_hist = np.array(na2_color_hist)
na2_color_prob = np.sum(na2_color_hist, axis=0) / len(na2_color_hist)
# 计算颜色特征的Kullback-Leibler散度
color_divergence = cv2.compareHist(us2_color_prob, na2_color_prob, cv2.HISTCMP_KL_DIV)

# 计算纹理特征的概率分布
us2_texture_hist = np.array(us2_texture_hist)
us2_texture_prob = np.sum(us2_texture_hist, axis=0) / len(us2_texture_hist)
na2_texture_hist = np.array(na2_texture_hist)
na2_texture_prob = np.sum(na2_texture_hist, axis=0) / len(na2_texture_hist)
# 计算纹理特征的Kullback-Leibler散度
texture_divergence = cv2.compareHist(us2_texture_prob, na2_texture_prob, cv2.HISTCMP_KL_DIV)

# 计算形状特征的概率分布
us2_shape_hist = np.array(us2_shape_hist)
us2_shape_prob = np.sum(us2_shape_hist, axis=0) / len(us2_shape_hist)
na2_shape_hist = np.array(na2_shape_hist)
na2_shape_prob = np.sum(na2_shape_hist, axis=0) / len(na2_shape_hist)
# 计算形状特征的Kullback-Leibler散度
shape_divergence = cv2.compareHist(us2_shape_prob, na2_shape_prob, cv2.HISTCMP_KL_DIV)

# 展示结果
print('颜色特征的差异性分析结果：', color_divergence)
print('纹理特征的差异性分析结果：', texture_divergence)
print('形状特征的差异性分析结果：', shape_divergence)

# 可视化概率分布
plt.figure(figsize=(12, 4))
plt.subplot(131)
plt.plot(us2_color_prob, color='red', label='us2')
plt.plot(na2_color_prob, color='blue', label='na2')
plt.title('Color Distribution')
plt.legend()
plt.subplot(132)
plt.plot(us2_texture_prob, color='red', label='us2')
plt.plot(na2_texture_prob, color='blue', label='na2')
plt.title('Texture Distribution')
plt.legend()
plt.subplot(133)
plt.plot(us2_shape_prob, color='red', label='us2')
plt.plot(na2_shape_prob, color='blue', label='na2')
plt.title('Shape Distribution')
plt.legend()
plt.show()

上述代码中，我们使用了OpenCV库中的calcHist函数来计算图像的直方图，并使用normalize函数将直方图归一化到[0, 1]范围内。对于颜色特征，我们将图像从BGR格式转换为HSV格式，并计算H和S通道的二维直方图；对于纹理特征，我们使用了LBP算法；对于形状特征，我们使用了轮廓面积直方图。在计算完各个特征的直方图后，我们将它们的概率分布计算出来，并使用compareHist函数计算它们的Kullback-Leibler散度，作为差异性分析的结果。最后，我们使用matplotlib库将各个特征的概率分布可视化出来，以便更好地理解分析结果。