直方图与均衡化

直方图

统计图像中相同像素点的数量。

使用cv2.calcHist(images, channels, mask, histSize, ranges)函数

images :原图像图像格式为uint8或float32,当传入函数时应用[]括起来,例如[img]。
channels :同样用中括号括起来,告诉我们统幅图像的直方图,如果图像是灰度图就是[0],如果是彩色图可以是[0],[1],[2],分别对应BGR。
mask :掩膜图像,统幅图像使用None,若使用一部分需要自行制作。
histSize :BIN的数目,也要中括号。
ranges:像素值范围一般为[0,256]

灰度图

python 复制代码
img = cv2.imread('deppb.jpg', 0)
show.cv_show('img', img)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
h1 = hist.shape
plt.hist(img.ravel(), 256)
plt.show()

灰度图

直方图

彩色图

python 复制代码
img2 = cv2.imread('deppb.jpg')
show.cv_show('img2', img2)
color = ('b', 'g', 'r')
for i, col in enumerate(color):
    histr = cv2.calcHist([img2], [i], None, [256], [0, 256])
    plt.plot(histr, color=col)
    plt.xlim([0, 256])
plt.show()

彩色图

直方图

图为三通道的直方图

mask操作

mask,在指定区域置为255,其余区域置为0,与原图相与,最后得到指定区域的像素点个数统计,绘制直方图。

python 复制代码
# 创建mask
show.cv_show('img2', img2)  # 原图
mask = np.zeros(img2.shape[:2], np.uint8)
print(mask.shape)
mask[200: 600, 100: 427] = 255
show.cv_show('mask', mask)  # mask图

masked_img2 = cv2.bitwise_and(img2, img2, mask=mask)
show.cv_show('masked_img2', masked_img2)  # 原图与mask

hist_full = cv2.calcHist([img2], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img2], [0], mask, [256], [0, 256])
plt.plot(hist_full), plt.plot(hist_mask)  # [0]通道直方图对比
plt.show()

mask图

mask与原图相与

0\]通道直方图对比 ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/2b443fdde3930b4ae290828f59d55b36.webp) 蓝色为整体直方图,橙色为特定区域直方图。 ## 均衡化 将一副图像的直方图分布通过累积分布函数变成近似均匀分布,从而增强图像的对比度。 ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/eb34968e864a595de3d40ed7ab40dc1f.webp) 根据像素点个数得到概率值,再算出累积概率类似于分布函数,再由累积概率映射出新的像素值,最后取整。 ```python img3 = cv2.imread('deppb.jpg', 0) plt.hist(img3.ravel(), 256) # 原图直方图 plt.show() equ = cv2.equalizeHist(img3) plt.hist(equ.ravel(), 256) # 均衡化后直方图 plt.show() res = np.hstack((img3, equ)) show.cv_show('res', res) # 图像对比 ``` ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/3525ad9d491bf13c9de2e5c543e6d7c7.webp) ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/4b4a46f9f2110c3880b574921d687f08.webp) ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/7383c98670befdd112b9273bf9061102.webp) 可以看到整体均衡化可能导致部分信息丢失。 ## 自适应均衡化 其实是分区域进行均衡化,减少信息丢失。 ```python clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # 方法 res_clahe = clahe.apply(img3) plt.hist(res_clahe.ravel(), 256) # 自适应均衡化后直方图 plt.show() res = np.hstack((img3, equ, res_clahe)) # 与原图和整体均衡化对比 show.cv_show('res', res) ``` 自适应均衡化的直方图 ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/4d0d313192a78aa5a914659bb3bbdf5a.webp) 对比图 ![在这里插入图片描述](https://file.jishuzhan.net/article/1743378905189847042/670e723eebf9fd580f758e74d71d5ad4.webp) 可以看到对比度加强而且信息丢失得到改善。

相关推荐
只说证事38 分钟前
2025年数字公共治理专业重点学什么内容?(详细指南)
人工智能
LeeZhao@38 分钟前
【AI推理部署】Docker篇04—Docker自动构建镜像
人工智能·docker·容器
程思扬42 分钟前
利用JSONCrack与cpolar提升数据可视化及跨团队协作效率
网络·人工智能·经验分享·docker·信息可视化·容器·架构
南方者1 小时前
它的 AI Agent 凭什么能擦出火花?!
人工智能·ai编程
心动啊1211 小时前
深度神经网络1——梯度问题+标签数不够问题
人工智能·神经网络·dnn
南方者1 小时前
基于Amazon Bedrock Agent 的两个服务示例的完整流程与详细内容,包含技术架构、实现细节、交互逻辑及扩展能力
人工智能·ai编程·敏捷开发
小王爱学人工智能1 小时前
OpenCV一些进阶操作
人工智能·opencv·计算机视觉
新智元1 小时前
起猛了!这个国家任命 AI 为「部长」:全球首个,手握实权,招标 100% 透明
人工智能·openai
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | 大语言模型驱动的多来源漏洞影响库识别研究解析
论文阅读·人工智能·语言模型
艾醒1 小时前
大模型面试题剖析:RAG中的文本分割策略
人工智能·算法