【OpenCV图像处理10】图像直方图

十、图象直方图

1、图像直方图的基本概念

在统计学中,直方图是一种对数据分布情况的图形展示,是一种二维统计图表。

图像直方图是用来表示数字图像中亮度分布的直方图,标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布的直方图。在这种直方图中,横坐标的左侧为纯黑、较暗的区域,而右侧为较亮、纯白的区域。因此,一张较暗图像的图像直方图中的数据多集中于左侧和中间部分,而整体明亮、只有少量阴影的图像则相反。

  • 横坐标: 图像中各个像素点的灰度级。
  • 纵坐标: 具有该灰度级的像素个数。

  • 画出上图的直方图:

  • 或者以柱状图的形式:

  • 归一化直方图
    • 横坐标:图像中各个像素点的灰度级。
    • 纵坐标:出现灰度级的概率。

  • 直方图术语:
    • dims:需要统计的特征数目。例如,dims = 1,表示我们仅统计灰度值。
    • bins:每个特征空间子区段的数目。

range:统计灰度值的范围,一般为 [0, 255]

2、使用OpenCV统计直方图

calcHist()用法:

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

参数说明:

  • images:原始图像
  • channels:指定通道
    • 需要用中括号括起来,输入图像是灰度图像值是 [0],彩色图像可以是 [0],[1],[2],分别对应 B,G,R
  • mask:掩码图像
    • 统计整幅图像的直方图,设为 None
    • 统计图像某一部分的直方图时,需要掩码图像
  • histSize: BINS的数量
    • 需要用中括号括起来,例如 [256]
  • ranges:像素值范围,例如 [0, 255]
  • accumulate:累计标识
    • 默认值为 False
    • 如果被设置为 True,则直方图在开始分配时不会被清零。
    • 该参数允许从多个对象中计算单个直方图,或者用于实时更新直方图。
    • 多个直方图的累积结果,用于一组图像计算直方图。

代码实现:

import cv2

img = cv2.imread('../resource/lena.bmp')

hist = cv2.calcHist([img], [0], None, [256], [0, 255])

print(hist.size)
print(hist.shape)
print(hist)
256
(256, 1)
[[0.000e+00]
 [1.000e+00]
 ...

3、使用OpenCV绘制直方图

可以利用 matplotlib 把 OpenCV 统计得到的直方图绘制出来。

1、不使用OpenCV

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('../resource/lena.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.hist(gray.ravel(), bins=256, range=[0, 255])
plt.show()

2、使用OpenCV

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('../resource/lena.bmp')

hisb = cv2.calcHist([img], [0], None, [256], [0, 255])
hisg = cv2.calcHist([img], [1], None, [256], [0, 255])
hisr = cv2.calcHist([img], [2], None, [256], [0, 255])

plt.plot(hisb, color='b', label='blue')
plt.plot(hisg, color='g', label='green')
plt.plot(hisr, color='r', label='red')
plt.legend()
plt.show()

4、使用掩膜的直方图

  • 掩膜

  • 如何生成掩膜:
    • 先生成一个全黑的和原始图像大小一样的图像:mask = np.zeros(gray.shape, np.uint8)
    • 将想要的区域通过索引方式设置为255:mask[200:400, 200:400] = 255

代码实现:

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

img = cv2.imread('../resource/lena.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 掩膜
mask = np.zeros(gray.shape, np.uint8)
mask[200:400, 200:400] = 255

cv2.imshow('img', np.hstack((gray, mask,)))
# 与运算
cv2.imshow('mask', cv2.bitwise_and(gray, gray, mask=mask))

hist_mask = cv2.calcHist([gray], [0], mask, [256], [0, 255])
hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255])

plt.plot(hist_mask, label='mask')
plt.plot(hist_gray, label='gray')
plt.legend()
plt.show()

cv2.waitKey(0)
cv2.destroyAllWindows()

使用掩膜的图像:

使用掩膜的图像直方图:

5、直方图均衡化

直方图均衡化是通过拉伸像素强度的分布范围,使得在0~255灰阶上的分布更加均衡,提高图像的对比度,达到改善图像主观视觉效果的目的。

对比度较低的图像适合使用直方图均衡化方法来增加图像细节。

原理:

  • 计算累计直方图
  • 将累计直方图进行区间转换
  • 在累计直方图中,概率相近的原始值,会被处理为相同的值

equalizeHist()用法:

cv2.equalizeHist(src, dst)

参数说明:

  • src:原始图像
  • dst:目标图像,即处理结果

代码实现:

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

lena = cv2.imread('../resource/lena.bmp')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

# lena变黑
gray_dark = gray - 40
# lena变亮
gray_bright = gray + 40

# 查看各自直方图
hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255])
hist_gray_dark = cv2.calcHist([gray_dark], [0], None, [256], [0, 255])
hist_gray_bright = cv2.calcHist([gray_bright], [0], None, [256], [0, 255])

# 画出直方图
plt.plot(hist_gray, label='gray')
plt.plot(hist_gray_dark, label='dark')
plt.plot(hist_gray_bright, label='bright')
plt.legend()
plt.show()

# 进行均衡化处理
dark_equ = cv2.equalizeHist(gray_dark)
bright_equ = cv2.equalizeHist(gray_bright)

cv2.imshow('lena', np.hstack((gray, gray_dark, gray_bright)))
cv2.imshow('gray_dark', np.hstack((gray_dark, dark_equ)))
cv2.imshow('gray_bright', np.hstack((gray_bright, bright_equ)))

cv2.waitKey(0)
cv2.destroyAllWindows()


  • 16
    点赞
  • 34
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 12
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 12
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

_leoatliang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值