一、图像直方图

直方图可以让你了解总体的图像像素强度分布，其X轴为像素值（一般范围为0~255），在Y轴上为图像中具有该像素值像素数。

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: 出现这个灰度级的概率

**直方图术语**：

`dims`：需要统计的特征的数目。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 $0, 255$

1.1 使用OpenCV统计直方图

calcHist(images, channels, mask, histSize, ranges $, hist\[, accumulate$ ])
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是, 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: 累积标识

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, 用于对一组图像计算直方图.

python 复制代码

  import cv2
  import matplotlib.pyplot as plt
  lena = cv2.imread('./lena.png')
  
  hist = cv2.calcHist([lena], [0], None, [256], [0, 255])
  print(type(hist))
  print(hist.size)
  print(hist.shape)
  print(hist)

1.2 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.

python 复制代码

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')

histb = cv2.calcHist([lena], [0], None, [256], [0, 255])
histg = cv2.calcHist([lena], [1], None, [256], [0, 255])
histr = cv2.calcHist([lena], [2], None, [256], [0, 255])

plt.plot(histb, color='b')
plt.plot(histg, color='g')
plt.plot(histr, color='r')
plt.show()

1.3 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片大小一样大的图片.

mask = np.zeros(image.shape, np.uint8)

将想要的区域通过索引方式设置为255.

mask $100:200, 200: 300$ = 255 #255 白色

python 复制代码

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

mask = np.zeros(gray.shape, np.uint8)
mask[200:400, 200: 400] = 255
hist_mask = cv2.calcHist([gray], [0], mask, [256], [0, 255])
hist_img = cv2.calcHist([gray], [0], None, [256], [0, 255])
plt.plot(hist_mask)
plt.plot(hist_img)

cv2.imshow('mask', cv2.bitwise_and(gray, gray, mask=mask))
cv2.waitKey(0)
cv2.destroyAllWindows()

二、直方图均衡化原理

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，提高了图像的对比度，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强图像细节。

原理:

计算累计直方图

累计直方图：对概率进行累计

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(src $, dst$ )
src 原图像
dst 目标图像, 即处理结果

python 复制代码

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

# lena变黑
gray_dark = gray - 40
# lena变亮
gray_bright = gray + 40

# 查看各自的直方图
hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255])
hist_dark = cv2.calcHist([gray_dark], [0], None, [256], [0, 255])
hist_bright = cv2.calcHist([gray_bright], [0], None, [256], [0, 255])

plt.plot(hist_gray)
plt.plot(hist_dark)
plt.plot(hist_bright)

# 进行均衡化处理
dark_equ = cv2.equalizeHist(gray_dark)
bright_equ = cv2.equalizeHist(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()

OpenCV 12(图像直方图)

一、图像直方图

1.1 使用OpenCV统计直方图

1.2 使用OpenCV绘制直方图

1.3 使用掩膜的直方图

二、直方图均衡化原理