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

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。

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 复制代码

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

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 复制代码

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

对比图

可以看到对比度加强而且信息丢失得到改善。