十、图象直方图
1、图像直方图的基本概念
在统计学中，直方图是一种对数据分布情况的图形展示，是一种二维统计图表。
图像直方图是用来表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布的直方图。在这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图像的图像直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。
- 横坐标： 图像中各个像素点的灰度级。
- 纵坐标： 具有该灰度级的像素个数。
- 画出上图的直方图：
- 或者以柱状图的形式：
- 归一化直方图
- 横坐标：图像中各个像素点的灰度级。
- 纵坐标：出现灰度级的概率。
- 直方图术语：
dims：需要统计的特征数目。例如，dims = 1，表示我们仅统计灰度值。bins：每个特征空间子区段的数目。
range：统计灰度值的范围，一般为 [0, 255]
2、使用OpenCV统计直方图
calcHist()用法：
cv2.calcHist(images, channels, mask, histSize, ranges, hist, accumulate)
参数说明：
- images：原始图像
- channels：指定通道
- 需要用中括号括起来，输入图像是灰度图像值是 [0]，彩色图像可以是 [0]，[1]，[2]，分别对应 B，G，R
- mask：掩码图像
- 统计整幅图像的直方图，设为 None
- 统计图像某一部分的直方图时，需要掩码图像
- histSize： BINS的数量
- 需要用中括号括起来，例如 [256]
- ranges：像素值范围，例如 [0, 255]
- accumulate：累计标识
- 默认值为 False
- 如果被设置为 True，则直方图在开始分配时不会被清零。
- 该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图。
- 多个直方图的累积结果，用于一组图像计算直方图。
代码实现：
import cv2 img = cv2.imread('../resource/lena.bmp') hist = cv2.calcHist([img], [0], None, [256], [0, 255]) print(hist.size) print(hist.shape) print(hist)
256 (256, 1) [[0.000e+00] [1.000e+00] ...
3、使用OpenCV绘制直方图
可以利用 matplotlib 把 OpenCV 统计得到的直方图绘制出来。
1、不使用OpenCV
import cv2 import matplotlib.pyplot as plt img = cv2.imread('../resource/lena.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) plt.hist(gray.ravel(), bins=256, range=[0, 255]) plt.show()
2、使用OpenCV
import cv2 import matplotlib.pyplot as plt img = cv2.imread('../resource/lena.bmp') hisb = cv2.calcHist([img], [0], None, [256], [0, 255]) hisg = cv2.calcHist([img], [1], None, [256], [0, 255]) hisr = cv2.calcHist([img], [2], None, [256], [0, 255]) plt.plot(hisb, color='b', label='blue') plt.plot(hisg, color='g', label='green') plt.plot(hisr, color='r', label='red') plt.legend() plt.show()
4、使用掩膜的直方图
- 掩膜
- 如何生成掩膜：
- 先生成一个全黑的和原始图像大小一样的图像：
mask = np.zeros(gray.shape, np.uint8) - 将想要的区域通过索引方式设置为255：
mask[200:400, 200:400] = 255
代码实现：
import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('../resource/lena.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 掩膜 mask = np.zeros(gray.shape, np.uint8) mask[200:400, 200:400] = 255 cv2.imshow('img', np.hstack((gray, mask,))) # 与运算 cv2.imshow('mask', cv2.bitwise_and(gray, gray, mask=mask)) hist_mask = cv2.calcHist([gray], [0], mask, [256], [0, 255]) hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255]) plt.plot(hist_mask, label='mask') plt.plot(hist_gray, label='gray') plt.legend() plt.show() cv2.waitKey(0) cv2.destroyAllWindows()
使用掩膜的图像：
使用掩膜的图像直方图：
5、直方图均衡化
直方图均衡化是通过拉伸像素强度的分布范围，使得在0~255灰阶上的分布更加均衡，提高图像的对比度，达到改善图像主观视觉效果的目的。
对比度较低的图像适合使用直方图均衡化方法来增加图像细节。
原理：
- 计算累计直方图
- 将累计直方图进行区间转换
- 在累计直方图中，概率相近的原始值，会被处理为相同的值
equalizeHist()用法：
cv2.equalizeHist(src, dst)
参数说明：
- src：原始图像
- dst：目标图像，即处理结果
代码实现：
import cv2 import numpy as np import matplotlib.pyplot as plt lena = cv2.imread('../resource/lena.bmp') gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY) # lena变黑 gray_dark = gray - 40 # lena变亮 gray_bright = gray + 40 # 查看各自直方图 hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255]) hist_gray_dark = cv2.calcHist([gray_dark], [0], None, [256], [0, 255]) hist_gray_bright = cv2.calcHist([gray_bright], [0], None, [256], [0, 255]) # 画出直方图 plt.plot(hist_gray, label='gray') plt.plot(hist_gray_dark, label='dark') plt.plot(hist_gray_bright, label='bright') plt.legend() plt.show() # 进行均衡化处理 dark_equ = cv2.equalizeHist(gray_dark) bright_equ = cv2.equalizeHist(gray_bright) cv2.imshow('lena', np.hstack((gray, gray_dark, gray_bright))) cv2.imshow('gray_dark', np.hstack((gray_dark, dark_equ))) cv2.imshow('gray_bright', np.hstack((gray_bright, bright_equ))) cv2.waitKey(0) cv2.destroyAllWindows()
