这是对于 OpenCV 官方文档中 图像处理 的学习笔记。学习笔记中会记录官方给出的例子,也会给出自己根据官方的例子完成的更改代码,同样彩蛋的实现也会结合多个知识点一起实现一些小功能,来帮助我们对学会的知识点进行结合应用。
如果有喜欢我笔记的请麻烦帮我关注、点赞、评论。谢谢诸位。
学习笔记:
学习笔记目录里面会收录我关于OpenCV系列学习笔记博文,大家如果有什么不懂的可以通过阅读我的学习笔记进行学习。
【OpenCV学习笔记】- 学习笔记目录
内容
- 使用OpenCV和Numpy函数查找直方图
- 使用OpenCV和Matplotlib函数绘制直方图
- 您将看到以下功能:cv.calcHist() ,np.histogram() 等。
理论
那么直方图是什么?您可以将直方图视为图形或曲线图,从而使您对图像的强度分布有一个整体的了解。它是在X轴上具有像素值(不总是从0到255的范围),在Y轴上具有图像中相应像素数的图。
这只是理解图像的另一种方式。通过查看图像的直方图,您可以直观地了解该图像的对比度,亮度,强度分布等。当今几乎所有图像处理工具都提供直方图功能。以下是 剑桥彩色网站 上的图片,建议您访问该网站以获取更多详细信息。
您可以看到图像及其直方图。(请记住,此直方图是针对灰度图像而非彩色图像绘制的)。直方图的左侧区域显示图像中较暗像素的数量,而右侧区域则显示较亮像素的数量。从直方图中,您可以看到暗区域多于亮区域,中间值的数量(中间值的像素值,例如127附近)非常少。
查找直方图
现在我们有了一个关于直方图的想法,我们可以研究如何找到它。OpenCV和Numpy都为此内置了功能。在使用这些功能之前,我们需要了解一些与直方图有关的术语。
BINS : 上面的直方图显示每个像素值的像素数,即从0到255。即,您需要256个值来显示上面的直方图。但是考虑一下,如果您不需要分别找到所有像素值的像素数,而是找到像素值间隔中的像素数怎么办?例如,您需要找到介于0到15之间,然后16到31之间,…,240到255之间的像素数。您只需要16个值即可表示直方图。这就是在 OpenCV直方图教程 中给出的示例中所显示的内容。
因此,您要做的就是将整个直方图分成16个子部分,每个子部分的值就是其中所有像素数的总和。每个子部分都称为“BIN”。在第一种情况下,bin的数量为256个(每个像素一个),而在第二种情况下,bin的数量仅为16个。BINS由OpenCV文档中的 histSize 术语表示。
DIMS : 这是我们为其收集数据的参数的数量。在这种情况下,我们仅收集关于强度值的一件事的数据。所以这里是1。
范围 : 这是您要测量的强度值的范围。通常,它是[0,256],即所有强度值。
1. OPENCV中的直方图计算
因此,现在我们使用 cv.calcHist() 函数查找直方图。让我们熟悉一下函数及其参数:
- images: 它是uint8或float32类型的源图像。它应该放在方括号中,即“ [img]”。
- channels: 也以方括号给出。它是我们计算直方图的通道的索引。例如,如果输入为灰度图像,则其值为[0]。对于彩色图像,您可以传递[0],[1]或[2]分别计算蓝色,绿色或红色通道的直方图。
- mask: 遮罩图像。为了找到完整图像的直方图,将其指定为“无”。但是,如果要查找图像特定区域的直方图,则必须为此创建一个遮罩图像并将其作为遮罩。(我将在后面显示一个示例。)
- histSize: 这表示我们的BIN计数。需要放在方括号中。对于全尺寸,我们通过[256]。
- ranges: 这是我们的RANGE。通常为[0,256]。 因此,让我们从示例图像开始。只需在灰度模式下加载图像并找到其完整的直方图即可。
示例代码:
# OpenCV 中的直方图
# 直方图 - 1:查找,绘图,分析!
# 理论
# 查找直方图
# 1. OPENCV中的直方图计算
import cv2 as cv
img = cv.imread('../image/3.7.1.png', 0)
hist = cv.calcHist([img], [0], None, [256], [0, 256])
# print(hist)
print(len(hist))
print(len(hist[0]))
命令行/控制台:
256
1
hist是256x1的数组,每个值对应于该图像中具有相应像素值的像素数。
2. NUMPY中的直方图计算
Numpy还为您提供了一个函数 np.histogram() 。因此,您可以在下面的行尝试代替 **calcHist() **函数:
示例代码:
# OpenCV 中的直方图
# 直方图 - 1:查找,绘图,分析!
# 理论
# 查找直方图
# 2. NUMPY中的直方图计算
import cv2 as cv
import numpy as np
img = cv.imread('../image/3.7.1.png', 0)
hist, bins = np.histogram(img.ravel(), 256, [0, 256])
# print(hist)
print(len(hist))
命令行/控制台:
256
hist与我们之前计算的相同。但是bin将具有257个元素,因为Numpy计算出bin的范围为0-0.99、1-1.99、2-2.99等。因此最终范围为255-255.99。为了表示这一点,他们还在料箱末端添加了256。但是我们不需要256。最多255就足够了。
也可以看看 Numpy还有另一个函数 np.bincount() ,它比np.histogram()快10倍左右。因此,对于一维直方图,您可以更好地尝试一下。不要忘记在np.bincount中设置minlength = 256。例如,hist = np.bincount(img.ravel(),minlength = 256)
示例代码:
# OpenCV 中的直方图
# 直方图 - 1:查找,绘图,分析!
# 理论
# 查找直方图
# 2. NUMPY中的直方图计算
import cv2 as cv
import numpy as np
img = cv.imread('../image/3.7.1.png', 0)
hist, bins = np.histogram(img.ravel(), 256, [0, 256])
# print(hist)
print(len(hist))
hist = np.bincount(img.ravel(), minlength=256)
# print(hist)
print(len(hist))
命令行/控制台:
256
256
对比两个函数返回的结果是一致的。
注意 OpenCV函数比 np.histogram() 快(大约40倍)。因此,请坚持使用OpenCV功能。
现在我们应该绘制直方图,但是如何?
绘制直方图
有两种方法:
- 简短方法:使用Matplotlib绘图功能
- 漫长方法:使用OpenCV绘图功能
1.使用MATPLOTLIB
Matplotlib带有直方图绘图功能:matplotlib.pyplot.hist()
它直接找到直方图并将其绘制。您无需使用 calcHist() 或 np.histogram() 函数来查找直方图。请参考下面的代码:
示例代码:
# OpenCV 中的直方图
# 直方图 - 1:查找,绘图,分析!
# 理论
# 绘制直方图
# 1.使用MATPLOTLIB - 1
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('../image/3.7.1.png', 0)
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.show()
plt.hist(img.ravel(), 256, [0, 256])
plt.show()
效果图:
或者,您可以使用matplotlib的法线图,这对于BGR图是很好的。为此,您需要首先找到直方图数据。试试下面的代码:
示例代码:
# OpenCV 中的直方图
# 直方图 - 1:查找,绘图,分析!
# 理论
# 绘制直方图
# 1.使用MATPLOTLIB - 2
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('../image/3.7.1.png')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
histr = cv.calcHist([img], [i], None, [256], [0, 256])
plt.plot(histr, color=col)
plt.xlim([0, 256])
plt.show()
效果图:
您可以从上图中得出,红色、蓝色、绿色在图像中具有一些高值区域(显然这应该是由于阳光、牛、草坪)
2.使用OPENCV
好吧,在这里您可以调整直方图的值及其bin值,使其看起来像x,y坐标,以便可以使用 cv.line() 或 cv.polyline() 函数绘制它以生成与上述相同的图像。OpenCV-Python2官方示例已经提供了此功能。检查 samples/python/hist.py 代码。
遮罩的应用
我们使用 cv.calcHist() 查找完整图像的直方图。如果要查找图像某些区域的直方图怎么办?只需在要查找直方图的区域上创建白色的蒙版图像,否则创建黑色。然后通过这个作为遮罩。
示例代码:
# OpenCV 中的直方图
# 直方图 - 1:查找,绘图,分析!
# 理论
# 遮罩的应用
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('../image/3.7.1.png', 0)
# create a mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[300:480, 300:740] = 255
masked_img = cv.bitwise_and(img, img, mask=mask)
# Calculate histogram with mask and without mask
# Check third argument for mask
hist_full = cv.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv.calcHist([img], [0], mask, [256], [0, 256])
plt.subplot(221), plt.imshow(img, 'gray'), plt.title('Original Image')
plt.subplot(222), plt.imshow(mask, 'gray'), plt.title('Mask')
plt.subplot(223), plt.imshow(masked_img, 'gray'), plt.title('Masked Image')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask), plt.title('Histogram')
plt.xlim([0, 256])
plt.show()
效果图:
可以很明显看出,遮罩范围图像色颜色分布,绿色占比降低。