图像数据处理10

灰度变换

2.4 图像直方图

2.4.1频数分布表与直方图

频数与相对灰度值：参考数学中的概念，一个灰度值的频数即为是该灰度值的所有像素个数之和，而相对灰度值则是用频数/所有像素个数。计算相对灰度值近和计算归一化一致。

比如一个图片共有100个像素，其中灰度值为3的像素共有45个，则它的频数为45，相对频率为0.45.

直方图特点：

①图像集中在左侧：意味着图像中大部分像素的灰度值较低，整体偏暗

②图像集中在右侧：意味着图像中大部分像素的灰度值较高，整体偏亮

③ 集中在某一狭小的范围内:意味着图像中的灰度值变化不大，整体对比度较低,特征不够清晰

④图像分布均匀：意味着图像中的灰度值在各个等级上都有较为均衡的分布，图像的细节特征较为清晰。

2.4.2分组频数直方图

把图像的灰度值按照从大到小的顺序排序后进行若干分组，随后算出每个分组中的所有像素数量之和，作为分组的频数

2.4.3累积直方图

用于计算图像中小于等于某灰度值的所有像素之和，其的函数图像单调递增。

2.4.4灰度直方图的计算

① NumPy

• np.histogram()：
  此函数用于计算数据集的直方图。它接收输入数组和指定的bin数量或范围，并返回直方图的统计数据和bin的边界。

• np.cumsum()：

• 此函数用于计算数组的累积和，用其处以像素总数，可得出累积直方图。

② Scikit-image

• exposure.histogram()：
  Scikit-image库中的此函数用于计算图像数组的直方图。它提供了多种参数来定制直方图的计算，例如指定bin的数量或范围。

• exposure.cumulative_distribution()：
  此函数用于计算图像数组的累积直方图。它返回一个数组，其中包含了每个bin的累积频率。这对于图像增强和直方图均衡等非常有用。

③ OpenCV

• cv.calcHist()：
  OpenCV库中的此函数用于计算图像数组的直方图。它提供了丰富的参数来控制直方图的计算，如指定要计算直方图的图像通道、掩码的使用、bin的数量和范围等。这使得cv.calcHist()成为一个非常灵活和强大的工具，适用于各种图像处理任务。

④ Matplotlib

• plt.hist()：
  此函数用于计算图像数组的直方图并将其显示出来。它接收输入数组和一系列参数来控制直方图的外观，如bin的数量、颜色、边界等。plt.hist()非常适合在数据处理和图像分析过程中快速查看数据的分布。

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from skimage import io, exposure, color

# 读取灰度图像
img_path = 'saved_image.jpg'
img = io.imread(img_path, as_gray=True)  # 使用skimage的io模块以灰度模式读取图像
img = img.astype(np.uint8)  # 将图像数据类型转换为无符号8位整数

# 利用Matplotlib计算灰度直方图
hist_mpl, bin_edges_mpl, patches = plt.hist(img.ravel(), bins=256, range=(0, 256))  # 计算并返回直方图

# 利用Scikit-image计算直方图
hist_sk, bin_centers = exposure.histogram(img, nbins=256, source_range='dtype')  # 计算图像的直方图
# 利用Scikit-image计算累积直方图
cdf_sk, bin_centers = exposure.cumulative_distribution(img, nbins=256)  # 计算图像的累积直方图

# 利用OpenCV计算灰度直方图
hist_cv = cv.calcHist([img], [0], None, [256], [0, 256]).ravel().astype(np.uint8)  # 计算图像的直方图并转换数据类型

# 利用NumPy计算直方图与累积直方图
hist_np, bin_edges = np.histogram(img, bins=256, range=(0, 256))  # 计算图像的直方图
cdf_np = np.cumsum(hist_np) / img.size  # 计算累积分布函数（CDF）

# 显示直方图
plt.figure(figsize=(10, 8))  # 创建一个新图形并设置大小

plt.subplot(2, 3, 1)  # 创建一个子图
plt.bar(bin_edges_mpl[:-1], hist_mpl, width=1, color='gray')  # 绘制Matplotlib直方图
plt.title('Matplotlib Histogram')  # 设置子图标题

plt.subplot(2, 3, 2)  # 创建另一个子图
plt.bar(bin_centers, hist_cv, width=1, color='gray')  # 绘制OpenCV直方图
plt.title('OpenCV Histogram')  # 设置子图标题

plt.subplot(2, 3, 3)  # 创建另一个子图
plt.bar(bin_edges[:-1], hist_np, width=1, color='gray')  # 绘制NumPy直方图
plt.title('NumPy Histogram')  # 设置子图标题

plt.subplot(2, 3, 4)  # 创建另一个子图
plt.bar(bin_centers, hist_sk, width=1, color='gray')  # 绘制Scikit-image直方图
plt.title('Scikit-image Histogram')  # 设置子图标题

plt.tight_layout()  # 自动调整子图参数，使之填充整个图像区域
plt.show()  # 显示图形

# 显示累积直方图（以柱状图形式）
plt.figure(figsize=(10, 4))  # 创建一个新图形并设置大小

# 为了绘制柱状图，我们需要确保x轴的值是像素强度，y轴的值是累积频率
plt.subplot(1, 2, 1)  # 创建一个子图
plt.bar(range(256), cdf_np * img.size, width=1, color='blue')  # 绘制NumPy累积直方图
plt.title('NumPy Cumulative Histogram (Bar Chart)')  # 设置子图标题
plt.xlabel('Pixel intensity')  # 设置x轴标签
plt.ylabel('Cumulative count')  # 设置y轴标签

plt.subplot(1, 2, 2)  # 创建另一个子图
plt.bar(range(256), cdf_sk * img.size, width=1, color='red')  # 绘制Scikit-image累积直方图
plt.title('Scikit-image Cumulative Histogram (Bar Chart)')  # 设置子图标题
plt.xlabel('Pixel intensity')  # 设置x轴标签
plt.ylabel('Cumulative count')  # 设置y轴标签

plt.tight_layout()  # 自动调整子图参数，使之填充整个图像区域
plt.show()  # 显示图形

注，本人为在校学生，博客是边学边写的，主要是为了巩固知识，如有错误请积极指正。