图像增强及运算篇之图像掩膜直方图和HS直方图

一.图像掩膜直方图

如果要统计图像的某一部分直方图，就需要使用掩码（蒙板）来进行计算。假设将要统计的部分设置为白色，其余部分设置为黑色，然后使用该掩膜进行直方图绘制，其完整代码如下所示。

python 复制代码

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
#读取图像
img = cv2.imread('luo.png')
#转换为RGB图像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
#设置掩膜
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:300] = 255
masked_img = cv2.bitwise_and(img, img, mask=mask)
#图像直方图计算
hist_full = cv2.calcHist([img], [0], None, [256], [0,256]) #通道[0]-灰度图
#图像直方图计算(含掩膜)
hist_mask = cv2.calcHist([img], [0], mask, [256], [0,256])
plt.figure(figsize=(8, 6))
#设置字体
matplotlib.rcParams['font.sans-serif']=['SimHei']
#原始图像
plt.subplot(221)
plt.imshow(img_rgb, 'gray')
plt.axis('off')
plt.title("(a)原始图像")
#绘制掩膜
plt.subplot(222)
plt.imshow(mask, 'gray')
plt.axis('off')
plt.title("(b)掩膜")
#绘制掩膜设置后的图像
plt.subplot(223)
plt.imshow(masked_img, 'gray')
plt.axis('off')
plt.title("(c)图像掩膜处理")
#绘制直方图
plt.subplot(224)
plt.plot(hist_full)
plt.plot(hist_mask)
plt.title("(d)直方图曲线")
plt.xlabel("x")
plt.ylabel("y")
plt.show()

其运行结果如图1所示，它使用了一个200×200像素的掩膜进行实验。其中图1(a)表示原始图像，图1(b)表示200×200像素的掩膜，图1©表示原始图像进行掩膜处理，图1(d)表示直方图曲线，蓝色曲线为原始图像的灰度值直方图分布情况，绿色波动更小的曲线为掩膜直方图曲线。

二.图像HS直方图

为了刻画图像中颜色的直观特性，常常需要分析图像的HSV空间下的直方图特性。HSV空间是由色调（Hue）、饱和度（Saturation）、以及亮度（Value）构成，因此在进行直方图计算时，需要先将源RGB图像转化为HSV颜色空间图像，然后将对应的H和S通道进行单元划分，再其二维空间上计算相对应直方图，再计算直方图空间上的最大值并归一化绘制相应的直方图信息，从而形成色调-饱和度直方图（或H-S直方图）。该直方图通常应用在目标检测、特征分析以及目标特征跟踪等场景 $1-2$ 。

由于H和S分量与人感受颜色的方式是紧密相连，V分量与图像的彩色信息无关，这些特点使得HSV模型非常适合于借助人的视觉系统来感知彩色特性的图像处理算法。

下面的代码是具体的实现代码，使用matplotlib.pyplot库中的imshow()函数来绘制具有不同颜色映射的2D直方图。

python 复制代码

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt
#读取图像
img = cv2.imread('luo.png')
#转换为RGB图像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
#图像HSV转换
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#计算H-S直方图
hist = cv2.calcHist(hsv, [0,1], None, [180,256], [0,180,0,256])
#原始图像
plt.figure(figsize=(8, 6))
plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.title("(a)"), plt.axis('off')
#绘制H-S直方图
plt.subplot(122), plt.imshow(hist, interpolation='nearest'), plt.title("(b)")
plt.xlabel("x"), plt.ylabel("y")
plt.show()

图2(a)表示原始输入图像，图2(b)是原图像对应的彩色直方图，其中X轴表示饱和度（S），Y轴表示色调（H）。在直方图中，可以看到H=140和S=130附近的一些高值，它对应于艳丽的色调。

三.直方图判断白天黑夜

接着讲述一个应用直方图的案例，通过直方图来判断一幅图像是黑夜或白天。常见的方法是通过计算图像的灰度平均值、灰度中值或灰度标准差，再与自定义的阈值进行对比，从而判断是黑夜还是白天 $3-4$ 。

灰度平均值：该值等于图像中所有像素灰度值之和除以图像的像素个数。
灰度中值：对图像中所有像素灰度值进行排序，然后获取所有像素最中间的值，即为灰度中值。
灰度标准差：又常称均方差，是离均差平方的算术平均数的平方根。标准差能反映一个数据集的离散程度，是总体各单位标准值与其平均数离差平方的算术平均数的平方根。如果一幅图看起来灰蒙蒙的，那灰度标准差就小；如果一幅图看起来很鲜艳，那对比度就很大，标准差也大。

下面的代码是计算灰度"Lena"图的灰度平均值、灰度中值和灰度标准差。

python 复制代码

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt
#函数: 获取图像的灰度平均值
def fun_mean(img, height, width):
 sum_img = 0
 for i in range(height):
 for j in range(width):
 sum_img = sum_img + int(img[i,j])
    mean = sum_img / (height * width)
 return mean
#函数: 获取中位数
def fun_median(data):
    length = len(data)
 data.sort()
 if (length % 2)== 1: 
        z = length // 2
        y = data[z]
 else:
        y = (int(data[length//2]) + int(data[length//2-1])) / 2
 return y
#读取图像
img = cv2.imread('lena-hd.png')
#图像灰度转换
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#获取图像高度和宽度
height = grayImage.shape[0]
width = grayImage.shape[1]
#计算图像的灰度平均值
mean = fun_mean(grayImage, height, width)
print("灰度平均值：", mean)
#计算图像的灰度中位数
value = grayImage.ravel() #获取所有像素值
median = fun_median(value)
print("灰度中值：", median)
#计算图像的灰度标准差
std = np.std(value, ddof = 1)
print("灰度标准差", std)

其运行结果如图3所示，图3(a)为原始图像，图3(b)为处理结果。其灰度平均值为123，灰度中值为129，灰度标准差为48.39。

下面讲解另一种用来判断图像是白天还是黑夜的方法，其基本步骤如下：

（1）读取原始图像，转换为灰度图，并获取图像的所有像素值；
（2）设置灰度阈值并计算该阈值以下的像素个数。比如像素的阈值设置为50，统计低于50的像素值个数；
（3）设置比例参数，对比该参数与低于该阈值的像素占比，如果低于参数则预测为白天，高于参数则预测为黑夜。比如该参数设置为0.8，像素的灰度值低于阈值50的个数占整幅图像所有像素个数的90%，则认为该图像偏暗，故预测为黑夜；否则预测为白天。

具体实现的代码如下所示。

python 复制代码

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt
#函数: 判断黑夜或白天
def func_judge(img):
 #获取图像高度和宽度
    height = grayImage.shape[0]
    width = grayImage.shape[1]
 piexs_sum = height * width
 dark_sum = 0 #偏暗像素个数
 dark_prop = 0 #偏暗像素所占比例
 for i in range(height):
 for j in range(width):
 if img[i, j] < 50: #阈值为50
 dark_sum += 1
 #计算比例
 print(dark_sum)
 print(piexs_sum)
 dark_prop = dark_sum * 1.0 / piexs_sum 
 if dark_prop >=0.8:
 print("This picture is dark!", dark_prop)
 else:
 print("This picture is bright!", dark_prop)
#读取图像
img = cv2.imread('day.png')
#转换为RGB图像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
#图像灰度转换
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#计算256灰度级的图像直方图
hist = cv2.calcHist([grayImage], [0], None, [256], [0,255])
#判断黑夜或白天
func_judge(grayImage)
#显示原始图像和绘制的直方图
plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.axis('off'), plt.title("(a)")
plt.subplot(122), plt.plot(hist, color='r'), plt.xlabel("x"), plt.ylabel("y"), plt.title("(b)")
plt.show()

第一张测试图输出的结果如图4所示，其中图4(a)为原始图像，图4(b)为对应直方图曲线。

最终输出结果为"('This picture is bright!', 0.010082704388303882)"，该预测为白天。

第二张测试图输出的结果如图6所示，其中图6(a)为原始图像，图6(b)为对应直方图曲线。

最终输出结果为"('This picture is dark!', 0.8511824175824175)"，该预测为黑夜。

四.总结

本章主要讲解图像直方图相关知识点，包括掩膜直方图和HS直方图，并通过直方图判断黑夜与白天，通过案例分享直方图的实际应用。希望对您有所帮助，后续将进入图像增强相关知识点