OpenCV高端操作——直方图及直方图均衡化

一、直方图

简介：

是图像中像素强度分布的图形表达方式。

使用直方图对我们图像的像素点进行统计操作。像素点的区间0-255也就是直方图的横坐标，像素点的个数也就是直方图的纵坐标。

作用：例如视频中。通过标记帧和帧之间显著的边缘和颜色的统计变化，来检测视频中场景的变换。

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

参数介绍：

images：

输入图像，必须用方括号包裹 （即使只有 1 张图）。示例：[img]

注意：图像需为 np.ndarray 类型，支持灰度图 / 彩色图

channels：

指定计算直方图的通道索引：

灰度图：只有 1 个通道，传 [0]

彩色图（BGR）：蓝色 = 0、绿色 = 1、红色 = 2

mask：

掩码图像：

None：计算整张图的直方图

自定义掩码：仅计算掩码中值为 255 的区域的直方图

注意：掩码尺寸必须和输入图像完全一致，且为单通道 8 位图像

histSize：

直方图的 "分箱数"（bin 数量），即把像素值范围分成多少份

分箱数越多，直方图越精细；越少则越粗略

ranges：

像素值的取值范围： [0,256]（注意是左闭右开，实际包含 0-255）

import matplotlib.pyplot as plt
imporrt cv2

shan = cv2.imread('../data/shan.jpeg')
#将图像转换为一维数组
#这里使用了numpy的ravel 函数，将多维数组拉成一维数组。
a = shan.ravel()
#绘制直方图
plt.hist(a,bins=256) #使用matplotlib 的hist 函数绘制直方图。
#参数解释:
#- a:一维数组，即图像的像素值组成的数组。
#-bins=256:指定直方图的条数，即灰度级的数量。
plt.show()
#显示直方图
shan_hist = cv2.calcHist([shan],[0],None,[16],[0,256])
plt.plot(shan_hist)  #使用calcHist的值绘制曲线图
plt.show()

shan2 = cv2.imread('../data/shan.jpeg')
color = ('b','g','r')
for i,col in enumerate(color):
    hist = cv2.calcHist([shan2],[i],None,[256],[0,256])
    plt.plot(hist,color=col)
plt.show()

绘制这张图像所有像素值的整体直方图

import matplotlib.pyplot as plt

shan = cv2.imread('../data/shan.jpeg')
#将图像转换为一维数组
#这里使用了numpy的ravel 函数，将多维数组拉成一维数组。
a = shan.ravel()
#绘制直方图
plt.hist(a,bins=256) #使用matplotlib 的hist 函数绘制直方图。

表示灰度图，将像素分为16个区间

shan_hist = cv2.calcHist([shan],[0],None,[16],[0,256])
plt.plot(shan_hist)  #使用calcHist的值绘制曲线图
plt.show()

三个颜色通道所呈现的直方图统计

shan2 = cv2.imread('../data/shan.jpeg')
color = ('b','g','r')
for i,col in enumerate(color):
    hist = cv2.calcHist([shan2],[i],None,[256],[0,256])
    plt.plot(hist,color=col)
plt.show()

掩膜的应用

1**.什么是掩膜**：掩膜是用选定的图像、图形或物体，对要处理的图像进行遮挡，来控制图像处理的区域，在数字图像处理中，通常使用二维矩阵进行掩膜，掩膜是由0和1组成的一个二进制图像，利用该掩膜对要处理的图像进行掩膜，其中值为1的区域被处理，0区域被屏蔽，不会处理

2.掩膜的作用：我们使用cv.calcHist()查找完整图像的直方图，当要查找图像某些区域的直方图，只需要在查找直方图的区域上创建一个白色的掩膜图像，否则创建黑色，将其作为掩码mask传递

为了对输入的图像的指定部分进行操作，需要通过mask来创建指定部分的全零数组， 再通过cv2.bitwise_and()来进行与操作从而实现获得指定区域的图像

import cv2
import pandas as pd


shan = cv2.imread('../data/shan.jpeg')
cv2.imshow("shan",shan)
cv2.waitKey(0)
mask = np.zeros(shan.shape[:2],np.uint8)
mask[50:250,100:200] = 255
cv2.imshow("mask",mask)
cv2.waitKey(0)

'''
cv2.bitwise-and():对图像(灰度图像或彩色图像均可)每个像素值进行二进制"与"操作，1&1=1，1&0=0，0&1=0，0&0=0
bitwise_and(src1,src2,dst=None,mask=None)参数:
src1、src2:为输入图像或标量，标src1和src2相与。
dst:可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同
mask:图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为0的值，srC1和Src2相与的值都为0.
        非O的值，为src1和src2相与的值。
'''
shan_mask = cv2.bitwise_and(shan,shan,mask=mask)
cv2.imshow("shan_mask",shan_mask)
cv2.waitKey(0)
'''-----------------------'''
mask_hist_mask = cv2.calcHist([shan],[0],mask,[256],[0,256])
plt.plot(mask_hist_mask)
plt.show()

二、直方图均衡化

简介：

如果一幅图像整体很亮，那所有的像素值的取值个数应该都会很高。需要将此图像的直方图做一个横向拉伸，就可以扩大图像像素值的分布范围，提高图像的对比度，这就是直方图均衡化（通过将图像的像素值分布均匀化来实现这一目标）

cv2.equalizeHist(image)

参数：

image：

输入图像：必须是8 位单通道灰度图（不能是彩色图、浮点图、16 位图）

输入必须是 uint8 类型（0-255），否则报错；不支持直接处理彩色图的单通道

输出结果：

输出图像和输入图像尺寸、数据类型完全一致（np.ndarray（8 位单通道数组））

import cv2
import numpy as np
import matplotlib.pyplot as plt



black = cv2.imread('../data/hei.jpg',cv2.IMREAD_GRAYSCALE)
plt.hist(black.ravel(),bins=256) #numpy中的ravel将数组多维度拉成一维数组
plt.show()

black_equalize = cv2.equalizeHist(black)
plt.hist(black_equalize.ravel(),bins=256)
plt.show()

res = np.hstack((black,black_equalize))  #hstack:横向拼接，将多个数组按水平方向(列顺序)堆叠成一个新的数组。 vstack:纵向拼接
cv2.imshow('black_equalize',res)
cv2.waitKey(0)

三、自适应的直方图均衡化

简介：

直方图均衡化中，考虑的是图像全局的对比度，许多情况下，会由于均衡化而丢失许多信息，为了解决此问题，需要使用自适应的直方图均衡化，此时，整幅图片被分成许多小块，称为tiles(在OpenCV中tiles的大小默认是8x8)，然后再对每一个小块分别进行直方图均衡化。如果有噪声的话，噪声会被放大。为了避免这种情况的出现要使用对比度限制。对于每个小块来说，如果直方图中的bin超过对比度的上限的话，就把其中的像素点均匀分散到其他bins中，然后在进行直方图均衡化。最后使用双线性差值，对每一小块进行拼接。

cv2.createCLAHE(clipLimit, tileGridSize)

参数介绍：

clipLimit：对比度限制阈值（默认值40.0）（float型）

作用：限制每个小区域（tile）的直方图超出该阈值的部分，避免过度增强噪声；

值越小，对比度增强越温和（噪声越少）；值越大，增强越明显（但易放大噪声）

tileGridSize：图像分块尺寸（将图像划分为多少个小区域）（默认值为(8,8)）（tuple型）

作用：将整幅图像分成 tileGridSize[0]×tileGridSize[1] 个独立小块，分别做均衡化；

分块越多，细节增强越细腻，但计算量稍大；分块过少会丢失局部特征，效果接近普通均衡化

使用逻辑 ：先创建 CLAHE 处理器，再调用 apply() 处理图像（输入输出均为 8 位单通道灰度图）

import cv2
import numpy as np
import matplotlib.pyplot as plt



clahe = cv2.createCLAHE(clipLimit=12,tileGridSize=(10,10))
black_clahe = clahe.apply(black)
res = np.hstack((black,black_equalize,black_clahe))
cv2.imshow(  'black_equalize',res)
cv2.waitKey(0)