8.直方图

目录

1  原理

2  代码实现 calcHist()

2.1  绘制灰度图像的直方图

2.2  绘制彩色图像的直方图

2.3  掩膜操作

2.3.1  创建掩膜

2.3.2  图像结合掩膜 bitwise_and()

2.3.3  绘制掩膜后的直方图与非掩膜的直方图

2.4  直方图均衡化

2.4.1  原理

2.4.2  代码实现 equalizeHist()

2.4.3  自适应直方图均衡化 createCLAHE()与apple()

---

1  原理

我们统计图像中的每个像素点的值，然后把每个值绘制成直方图

• images 被统计的图像
• channels 被统计的图像通道，可以只为B,G,R其中一个通道
• mask 掩膜的意思是提取图像的一部分
• histSize 直方图横坐标的取值范围，全部是0-255，也就是[256]，我可以把横坐标改小，比如[200]
• ranges 像素取值范围，一般为[0:256]，也可以改小，比如[0:200]

一般来讲最后的两个参数是不变的

2  代码实现 calcHist()

下面我们看一下该怎么用

2.1  绘制灰度图像的直方图

导入库后，读取灰度图像，使用hist，然后我们看一下shape

• 此处要注意calcHist的参数需要在参数外加一层中括号，不然会报错

这个shape表示我x方向有256个可以取的值(0-255),纵向有一个可以取的值，像素点对应的个数

然后我们使用plt给直方图画出来

• 注意一点，plt默认通道为R,G,B，cv2默认通道为B,G,R

2.2  绘制彩色图像的直方图

上面这个图是灰度的，我们再将其变成彩色的，我们把b,g,r三个通道放到一张图中

2.3  掩膜操作

上面的两张图我们都没有使用掩膜，下面我们先创建一个掩膜

2.3.1  创建掩膜

首先我们获取图片的大小，然后创建一个图像大小的全0矩阵，然后我们将x方向100-300，y方向100-400矩阵中的值设置为255

• np.uint8是无符号8位整形

掩膜就是两部分组成的，黑色部分与白色部分

2.3.2  图像结合掩膜 bitwise_and()

这里是进行的与操作，可以保留白色区域的图像

bitwise_and前两个参数的情况是这样的，我们是下图的情况一，代表两个图像数组且大小相同，最终的值就为img

上图转自 https://blog.csdn.net/LaoYuanPython/article/details/109148867

2.3.3  绘制掩膜后的直方图与非掩膜的直方图

红色的是掩膜后的，蓝色是非掩膜的

2.4  直方图均衡化

2.4.1  原理

我们现在获取左侧狗的直方图，发现像素多在中间几个像素上

我们现在像增大两侧的像素点的个数，使直方图更加均衡

下面我们举个例子

• 左侧是不均衡的图像，右侧是我们均衡后的图像
• 首先统计像素值有哪写，左侧的图中一共四种像素值50，128，200，255
• 之后统计每个像素的个数
• 之后统计概率0.25 = 4/(4+3+5+4),0.1875=3/(4+3+5+4)这样算
• 累计概率是该值之前的所有概率加和，50前面没有其他值累计概率等于概率，128的概率0.4375 = 0.25 + 0.1875
• 根据函数映射后的灰度值，这个是使用累计概率*取值范围，比如50这一行为0.25 * (255-0) = 63.75,再比如128这一行为0.4375 * (255-0) = 111.5625
• 取整

• 原来灰度值为50的，现在变为64
• 128的现在为112
• 原来为200的，现在为191
• 255变为255

2.4.2  代码实现 equalizeHist()

我们使用之前猫的图片，那个就不是很均衡，整体偏亮

• 均衡前

• 均衡后

我们现在把均衡后图片搞过来看一下

2.4.3  自适应直方图均衡化 createCLAHE()与apply()

这个方法是指，把一张大图分为若干块，对每块进行均衡化，然后合并到一起

我们把直接均衡化和自适应均衡化放在一起，左边是非自适应，右边是自适应

• createCLANE是将图像分块，之后处理边缘像素，然后均衡像素点，这个就涉及到另一个算法了之后有机会会讲，clipLimit是对比度限制的阈值，tileGridSize是直方图均衡化的网格大小，我们现在是每8*8像素一块
• apply是将createCLAHE应用到img上