直方图绘制
把图像拆解为像素点，统计里面的值出现次数
可以直观地了解该图像的对比度，亮度，强度分布等。
横坐标为像素数值，纵坐标为频数
函数:
hist = cv2.calcHist([img], [0], None, [256], [0, 256])绘制：
创建 mask 掩码：
mask = np.zeros(img, shape[:2], np.uint8)
mask[100:300, 100:400] = 255
要保留的位置置为 8'b1111_1111，其余为 0
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])直方图均衡化
提升色彩和亮度
映射关系：
代码：
equ = cv2.equalizeHist(img)
自适应均衡化
防止一些细节被“平均”，导致细节丢失
因此要分成格子，分别均衡化 (并且有一些线性插值处理，防止块间边界)，但是这样容易受到噪音影响，要权衡考虑
代码：
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
res = clahe.apply(img)
傅里叶变换
频率
- 高频：变化剧烈的灰度分量，例如边界
- 低频：变化缓慢的灰度分析，例如海面
滤波
- 低通滤波器：只保留低频，会使得图像模糊
- 高通滤波器：只保留高频，会增强图像细节
频域转换
- 函数：
dft()，idft()，分别为傅里叶变换和逆变换，输入前先转换成np.float32格式。 - 得到的结果，0 频率在左上角，通常用
shift变换转到中心，反之用ishift转移回去。 cv2.dft()返回结果为双通道（虚实部），通常要转化为图像形式显示
距离中心点越近，频率越低
滤波操作
滤波后逆变换展示图片
- 低通滤波
结果：
- 高通滤波
结果：
