从零开始学cv-7：图像的直方图与直方图均衡化

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

一，简介

图像直方图是图像处理领域中的一个核心概念，它揭示了图像中不同灰度级像素的分布规律。具体而言，通过统计图像中每个灰度级的像素数量或概率，我们构建出图像的直方图，从而获得像素分布的详尽视图。
在图像处理的多个环节中，直方图扮演着至关重要的角色。例如，在图像增强领域，直方图均衡化和规定化技术被用来优化对比度和视觉表现。在图像分割任务中，直方图的双峰特性被利用来设定阈值，以便准确地区分图像的前景和背景。在图像分析过程中，直方图作为特征向量，用于解析图像的统计特征并进行分类。此外，在图像复原方面，直方图有助于分析图像退化的模型，而在图像压缩中，它则用于优化编码过程，如霍夫曼编码中的码字分配。同时，直方图还用于图像质量评估，通过比较处理前后直方图的变化来衡量图像处理的效果。
综上所述，图像直方图是图像处理与分析中不可或缺的工具，它以一种简洁而有效的方式揭示了图像内容的统计特性，并在图像处理的广泛领域中得到了广泛应用。

二，获取图像的直方图

图像直方图因其在计算上的高效性以及对图像变换如平移、旋转和缩放的鲁棒性，被广泛应用于多个图像处理领域，包括灰度图像的阈值分割和基于颜色的图像检索等。在OpenCV这一广泛使用的计算机视觉库中，提供了一个专门的函数cv2.calcHist，用于计算图像的直方图。图像的直方图有两个轴，横轴：表示图像中的灰度级，通常灰度范围是从0到L-1，其中L是图像中可能的灰度级总数，
纵轴：表示各个灰度级像素的数量或者该灰度级像素出现的概率。该函数的调用方式如下：cv2.calcHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None)，通过此函数，用户可以轻松获取图像的直方图，进而进行后续的图像分析和处理工作。
函数说明：

输入：
images: 这是一个图像数组的列表，可以是单张图像或多张图像的列表。对于彩色图像，通常是 [image]。
channels: 这是一个整数或整数数组，指定了计算直方图的通道。例如，如果输入是灰度图像，它的值是 [0]；如果是彩色图像，可以是 [0]、[1] 或 [2] 分别代表蓝色、绿色或红色通道，或者 [0, 1, 2] 来计算所有通道的直方图。
mask: 这是一个可选参数，用于指定计算直方图的图像区域。如果指定了掩码，则只计算掩码中非零像素对应的直方图。如果没有提供掩码（默认值），则计算整个图像的直方图。
histSize: 这是一个整数或整数数组，代表直方图每个维度的直方图大小。例如，如果直方图是一维的，且灰度级范围是0到255，histSize 可以是 [256]。
ranges: 这是一个浮点数数组，代表每个维度直方图的边界值。对于灰度图像，通常是 [0, 256]，表示灰度值的范围。
hist: 这是一个可选的输出参数，用于存储计算得到的直方图。如果这个参数没有指定，函数会分配并返回新的直方图。
accumulate: 这是一个可选的布尔参数。如果设置为 True，直方图在计算过程中会累加，这对于在多个图像上逐步构建直方图很有用。默认值为 False。
该函数返回计算得到的直方图hist，它是一个二维数组，其中第一维是直方图的维度，第二维是直方图的每个箱子(bin)的计数。如果输入图像是单通道的，则直方图是一维的；如果是多通道的，则直方图是多维的。

代码案例：

import cv2
from matplotlib import pyplot as plt

img = cv2.imread(r"E:\PS\2.png",0)

def hist_demo(img):
    cv2.imshow("img", img)
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])  # 计算图像的直方图
    plt.plot(hist)  # 通过plt绘制图像直方图
    plt.show()    # 显示直方图
    
hist_demo(img)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：
灰度图：

直方图：

经过分析可知 图像像素值主要集中在0-100，所以如果要增强就可以使用gama变换，对数变换等方法直接进行处理。

三，直方图均衡化

直方图均衡化是一种旨在提高图像对比度的图像处理技术。它通过对图像像素分布进行调整，使得输出图像的直方图趋于平坦，从而有效增强图像的全局对比度。具体实现步骤如下：首先，计算原始图像的直方图，即统计图像中各个灰度级出现的频率；接着，计算累积分布函数（CDF），对直方图进行累积求和，并将结果归一化至[0, 1]区间；然后，根据累积分布函数的值与最大灰度级（通常为255）相乘，计算出每个灰度级的新映射值；将原始图像的每个像素值替换为对应的新映射值后，便生成了均衡化后的图像。
直方图均衡化的应用非常广泛：它能够显著提高图像对比度，特别是在图像背景和前景都非常暗或亮的情况下，使得图像细节更加清晰；此外，它还能改善因不均匀照明影响的图像视觉效果，使图像内容更易于识别。在机器学习和计算机视觉领域，直方图均衡化常作为图像预处理的一个重要步骤，有助于提高图像识别和目标检测等后续处理的准确率。在医学成像、卫星图像和监控视频等应用中，均衡化技术用于增强图像的关键特征，助力专业人员更准确地解读图像内容。
尽管直方图均衡化是一种简单且有效的方法，无需用户设置任何参数，能够自动调整图像的灰度分布，它在许多实际应用中都非常实用。然而，需要注意的是，这种方法可能导致某些图像细节的丢失，并且并不适用于所有类型的图像。
在opencv中提供了函数 cv2.equalizeHist(img)可以直接对图像进行直方图均衡化。
函数介绍：

参数：
src: 输入图像，必须是灰度图像。如果输入图像是彩色图像，需要先将其转换为灰度图像。
返回值：
dst: 输出图像，与输入图像具有相同的尺寸和类型，但其直方图已经被均衡化。
功能描述： cv2.equalizeHist 函数计算输入灰度图像的直方图，然后通过累积分布函数（CDF）计算每个像素值的新映射，使得输出图像的直方图在整体上更加均匀分布。这个过程可以使得图像中的暗区域变得更亮，亮区域变得更暗，从而提高图像的对比度。
注意事项：
该函数仅适用于灰度图像。如果需要处理彩色图像，可以先使用 cv2.cvtColor 函数将其转换为灰度图像，或者分别对彩色图像的每个通道进行均衡化处理。均衡化可能会改变图像的亮度，有时可能会导致图像细节的丢失。在某些情况下，均衡化可能会过度增强图像的噪声。

代码案例：

import cv2
from matplotlib import pyplot as plt

img = cv2.imread(r"E:\PS\2.png",0)
img2 = cv2.equalizeHist(img) # 直方图均衡化

def hist_demo(img):
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])  # 计算图像的直方图
    plt.plot(hist)  # 通过plt绘制图像直方图
    plt.show()    # 显示直方图

cv2.imshow("img",img)
cv2.imshow("img2",img2)
hist_demo(img)
hist_demo(img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：
左侧为原始图像，右侧为直方图均衡化后的图像：

原始图像直方图：

增强后直方图：