直方图简介:图像的直方图是用来表现图像中亮度分布的直方图,给出的是图像中某个亮度或者某个范围亮度下共有几个像素.还不明白?就是统计一幅图某个亮度像素数量.比如对于灰度值12,一幅图里面有2000 个像素其灰度值为12,那么就能够统计12这个亮度的像素为2000个,其他类推。参考:https://blog.csdn.net/xierhacker/article/details/52605308
一、安装matplotlib
要画直方图必须要安装matplotlib库,Matplotlib 是一个 Python 的 2D绘图库。
安装步骤:
运行cmd,然后在自己的python安装路径的Scripts文件夹目录下,输入命令: pip install matplotlib
二、画直方图
代码如下:
#画直方图
import cv2 as cv
from matplotlib import pyplot as plt
def plot_demo(image):
plt.hist(image.ravel(), 256, [0, 256]) #numpy的ravel函数功能是将多维数组降为一维数组
plt.show()
def image_hist(image): #画三通道图像的直方图
color = ('b', 'g', 'r') #这里画笔颜色的值可以为大写或小写或只写首字母或大小写混合
for i , color in enumerate(color):
hist = cv.calcHist([image], [i], None, [256], [0, 256]) #计算直方图
plt.plot(hist, color)
plt.xlim([0, 256])
plt.show()
src = cv.imread('E:/imageload/WindowsLogo.jpg')
cv.namedWindow('input_image', cv.WINDOW_NORMAL)
cv.imshow('input_image', src)
plot_demo(src)
image_hist(src)
cv.waitKey(0)
cv.destroyAllWindows()
运行结果:
注意:
1.numpy的ravel函数功能是将多维数组降为一维数组。参考博客:https://blog.csdn.net/lanchunhui/article/details/50354978
2.matplotlib.pyplot.hist函数主要是计算直方图。
hist函数原型:hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, hold=None, data=None, **kwargs)
x参数表示是一个数组或一个序列,是指定每个bin(箱子)分布的数据
bins参数表示指定bin(箱子)的个数,也就是总共有几条条状图
range参数表示箱子的下限和上限。即横坐标显示的范围,范围之外的将被舍弃。
参考博客:https://blog.csdn.net/u013571243/article/details/48998619
3.enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列,同时列出数据下标和数据,一般用在 for 循环当中。
4.cv2.calcHist的原型为:calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) -> hist
images参数表示输入图像,传入时应该用中括号[ ]括起来
channels参数表示传入图像的通道,如果是灰度图像,那就不用说了,只有一个通道,值为0,如果是彩色图像(有3个通道),那么值为0,1,2,中选择一个,对应着BGR各个通道。这个值也得用[ ]传入。
mask参数表示掩膜图像。如果统计整幅图,那么为None。主要是如果要统计部分图的直方图,就得构造相应的掩膜来计算。
histSize参数表示灰度级的个数,需要中括号,比如[256]
ranges参数表示像素值的范围,通常[0,256]。此外,假如channels为[0,1],ranges为[0,256,0,180],则代表0通道范围是0-256,1通道范围0-180。
hist参数表示计算出来的直方图。
参考:https://blog.csdn.net/YZXnuaa/article/details/79231817
5.关于pyplot模块里plot()函数、xlim()函数等的用法参考:
https://blog.csdn.net/cymy001/article/details/78344316
https://blog.csdn.net/chinwuforwork/article/details/51786967
三、直方图的应用
代码如下:
#直方图的应用 直方图均衡化(即调整图像的对比度) 直方图即统计各像素点的频次
import cv2 as cv
#全局直方图均衡化
def eaualHist_demo(image):
gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #opencv的直方图均衡化要基于单通道灰度图像
cv.namedWindow('input_image', cv.WINDOW_NORMAL)
cv.imshow('input_image', gray)
dst = cv.equalizeHist(gray) #自动调整图像对比度,把图像变得更清晰
cv.namedWindow("eaualHist_demo", cv.WINDOW_NORMAL)
cv.imshow("eaualHist_demo", dst)
#局部直方图均衡化
def clahe_demo(image):
gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
clahe = cv.createCLAHE(5, (8,8))
dst = clahe.apply(gray)
cv.namedWindow("clahe_demo", cv.WINDOW_NORMAL)
cv.imshow("clahe_demo", dst)
src = cv.imread('E:/imageload/rice.png')
eaualHist_demo(src)
clahe_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
运行结果:
注意:
1.cv2.equalizeHist函数原型:equalizeHist(src[, dst]) -> dst。函数equalizeHist的作用:直方图均衡化,提高图像质量。
2.直方图均衡化:如果一副图像的像素占有很多的灰度级而且分布均匀,那么这样的图像往往有高对比度和多变的灰度色调。直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。它的基本思想是对图像中像素个数多的灰度级进行展宽,而对图像中像素个数少的灰度进行压缩,从而扩展像元取值的动态范围,提高了对比度和灰度色调的变化,使图像更加清晰。
3.全局直方图均衡化可能得到是一种全局意义上的均衡化,但是有的时候这种操作并不是很好,会把某些不该调整的部分给调整了。Opencv中还有一种直方图均衡化,它是一种局部直方图均衡化,也就是是说把整个图像分成许多小块(比如按10*10作为一个小块),那么对每个小块进行均衡化。
4.createCLAHE函数原型:createCLAHE([, clipLimit[, tileGridSize]]) -> retval
clipLimit参数表示对比度的大小。
tileGridSize参数表示每次处理块的大小 。
5.
clahe = cv.createCLAHE(5, (8,8))
dst = clahe.apply(gray) #猜测:把clahe这种局部直方图均衡化应用到灰度图gray
四、直方图反向投影
代码如下:
#直方图反向投影技术(通过二维直方图反映,必须先把原图像转换为hsv)
import cv2 as cv
#计算H-S直方图
def back_projection_demo():
sample = cv.imread("E:/imageload/sample.jpg")
target = cv.imread("E:/imageload/target.jpg")
roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV)
target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV)
cv.namedWindow("sample", cv.WINDOW_NORMAL)
cv.imshow("sample", sample)
cv.namedWindow("target", cv.WINDOW_NORMAL)
cv.imshow("target", target)
roiHist = cv.calcHist([roi_hsv], [0, 1], None, [32, 30], [0, 180, 0, 256])#计算样本直方图 [32, 30]越小,效果越好
cv.normalize(roiHist, roiHist, 0, 255, cv.NORM_MINMAX) #规划到0-255之间
dst = cv.calcBackProject([target_hsv], [0,1], roiHist, [0, 180, 0, 256], 1) #计算反向投影
cv.namedWindow("back_projection_demo", cv.WINDOW_NORMAL)
cv.imshow("back_projection_demo", dst)
back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows()
运行结果:
![](https://i-blog.csdnimg.cn/blog_migrate/7644464f82b389633f30dd6a042e1b86.png)
注意:
1. 归一化就是要把需要处理的数据经过处理后(通过某种算法)限制在你需要的一定范围内。
归一化函数cv2.normalize原型:normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) -> dst
src参数表示输入数组。
dst参数表示输出与src相同大小的数组,支持原地运算。
alpha参数表示range normalization模式的最小值。
beta参数表示range normalization模式的最大值,不用于norm normalization(范数归一化)模式。
norm_type参数表示归一化的类型。
norm_type参数可以有以下的取值:
NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围,线性归一化,一般较常用。
NORM_INF:归一化数组的C-范数(绝对值的最大值)。
NORM_L1 :归一化数组的L1-范数(绝对值的和)。
NORM_L2 :归一化数组的(欧几里德)L2-范数。
参考博客:https://blog.csdn.net/solomon1558/article/details/44689611
2.反向投影用于在输入图像(通常较大)中查找特定图像(通常较小或者仅1个像素,以下将其称为模板图像)最匹配的点或者区域,也就是定位模板图像出现在输入图像的位置。
函数cv2.calcBackProject用来计算直方图反向投影。
函数原型:calcBackProject(images, channels, hist, ranges, scale[, dst]) -> dst
images参数表示输入图像(是HSV图像)。传入时应该用中括号[ ]括起来。
channels参数表示用于计算反向投影的通道列表,通道数必须与直方图维度相匹配。
hist参数表示输入的模板图像直方图。
ranges参数表示直方图中每个维度bin的取值范围 (即每个维度有多少个bin)。
scale参数表示可选输出反向投影的比例因子,一般取1。
参考博客:https://blog.csdn.net/keith_bb/article/details/70154219