用python实现基于概率分布的超声图像与自然图像性质差异分析，超声图像的文件路径是D:\zzz\na5，自然图像的文件路径是D:\zzz\us5,两种图像都有778张，请注意每张图像的长和宽不都一样需要调整，需要先进行归一化处理，需要比较大量数据确保结果的正确性，需要判断超声图像与自然图像的像素值分布是否存在显著差异，需要统计所有结果进行差异性检验和分析，需要可视化使结果尽量明显

首先，我们需要导入需要的库，包括numpy、cv2、matplotlib和scipy等库。

import os
import numpy as np
import cv2
import matplotlib.pyplot as plt
from scipy.stats import ks_2samp

然后，我们需要定义一个函数来加载图像并进行归一化处理。

def load_image(path):
    img = cv2.imread(path, cv2.IMREAD_GRAYSCALE)
    img = cv2.resize(img, (256, 256))
    img = img / 255.0
    return img

接下来，我们可以定义一个函数来计算图像的像素值分布。

def calc_distribution(img):
    hist, _ = np.histogram(img, bins=256, range=(0, 1))
    return hist / float(img.size)

然后，我们可以使用上述函数来计算超声图像和自然图像的像素值分布，并将结果可视化。

us_path = r'D:\zzz\us5'
na_path = r'D:\zzz\na5'

us_dists = []
na_dists = []

for filename in os.listdir(us_path):
    if filename.endswith('.bmp'):
        us_img = load_image(os.path.join(us_path, filename))
        us_dists.append(calc_distribution(us_img))

for filename in os.listdir(na_path):
    if filename.endswith('.bmp'):
        na_img = load_image(os.path.join(na_path, filename))
        na_dists.append(calc_distribution(na_img))

us_dists = np.array(us_dists)
na_dists = np.array(na_dists)

fig, ax = plt.subplots()
ax.plot(np.arange(256) / 256.0, np.mean(us_dists, axis=0), color='blue', label='US')
ax.plot(np.arange(256) / 256.0, np.mean(na_dists, axis=0), color='red', label='NA')
ax.legend()
ax.set_xlabel('Pixel Value')
ax.set_ylabel('Normalized Frequency')
plt.show()

接下来，我们可以使用Kolmogorov-Smirnov检验来检查超声图像和自然图像的像素值分布是否存在显著差异。

ks_results = []
for i in range(256):
    _, p = ks_2samp(us_dists[:, i], na_dists[:, i])
    ks_results.append(p)

fig, ax = plt.subplots()
ax.plot(np.arange(256) / 256.0, ks_results, color='blue')
ax.axhline(y=0.05, color='red', linestyle='--')
ax.set_xlabel('Pixel Value')
ax.set_ylabel('p-value')
plt.show()

最后，我们可以根据Kolmogorov-Smirnov检验的结果来绘制超声图像和自然图像的像素值分布差异图。

diffs = np.abs(np.mean(us_dists, axis=0) - np.mean(na_dists, axis=0))

fig, ax = plt.subplots()
ax.plot(np.arange(256) / 256.0, diffs, color='blue')
ax.axhline(y=0.05, color='red', linestyle='--')
ax.set_xlabel('Pixel Value')
ax.set_ylabel('Absolute Difference')
plt.show()