目录
一.灰度图
把白色和黑色之间按照对数关系分为若干个等级，称为灰度。灰度一共分为256阶。用灰度表示的图像称为灰度图像。任何颜色都有红、绿、蓝三原色（RGB）组成，而灰度图像只有一个通道，有256个灰度等级，255表示最白，0表示最黑
在实验中，我使用了convert（）实现由彩色图像向灰度图像的转换
PIL中convert（）的原理：
1.img = img.convert()
PIL有九种不同的模式：1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。
2.img.convert(‘1’)
为二值图像，非黑即白。每个像素用8个bit表示，0表示黑，255表示白。
3.img.convert(‘L’)
为灰度图像，每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
转换公式：L = R * 299/1000 + G * 587/1000+ B * 114/1000。
二.直方图
1.原理
图像的直方图是用来表征图像像素值的分布情况。用一定数目的小区间（bin）来指定表征像素值的范围，每个小区间会得到落入该小区间表示范围的像素数目。
2.实现
三.高斯滤波
1.原理
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。
通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
2.实现
四.直方图均衡化
1.原理
直方图均衡化(Histogram Equalization) 又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。
2.实现
def Histeq(img,nbr_bins=256):
#计算图像的直方图
imhist,bins=histogram(img.flatten(),nbr_bins)
#累计分布函数
cdf = imhist.cumsum()
#归一化
cdf = 255*cdf/cdf[-1]
#使用累积分布函数的线性插值，计算新的像素值
img2 = interp(img.flatten(),bins[:-1],cdf)
return img2.reshape(img.shape),cdf
if __name__ == '__main__':
#直方图均衡化
#解决title是方框的问题
mpl.rcParams['font.sans-serif'] = ['SimHei']
img = array(Image.open('1.jpg').convert('L'))
img2,cdf = Histeq(img)
figure()
subplot(2, 2, 1)
#关闭所有坐标轴线、刻度标记和标签
axis('off')
gray()
title('原始图像')
imshow(img)
subplot(2, 2, 2)
axis('off')
title('直方图均衡化后的图像')
imshow(img2)
subplot(2, 2, 3)
axis('off')
title('原始直方图')
# hist(im.flatten(), 128, cumulative=True, normed=True)
hist(img.flatten(), 128)
subplot(2, 2, 4)
axis('off')
title('均衡化后的直方图')
# hist(im2.flatten(), 128, cumulative=True, normed=True)
hist(img2.flatten(), 128)
show()
