人脸检测-----图像直方图(image Histogram)及其均衡化（9）

图像直方图(image Histogram)

直方图详解

• 首先执行：pip install matplotlib；

术语简介：

• dims:需要统计的特征数目；例如dims == 1，代表仅仅统计灰度值。
• bins：每个特征空间自区段的数目；
• range：每个特征空间的取值范围；

直方图的意义：

• 图像中像素强度分布的图形表达方式
• 统计了每一个强度值所具有的像素个数

图像直方图的绘制：

1. 通过plot进行绘制（matplotlib库）：

def plot_demo(image):
    plt.hist(image.ravel(), 256, [0, 256]);
    plt.show("直方图");

bins = 256;特征空间区段数
range = [0 , 256];特征空间的取值范围；

2. 通过calcHist()绘制（opencv库）:

def image_hist(image):
    color = ('blue', 'green', 'red') #元组数据结构
    for i, color in enumerate(color):
        hist = cv.calcHist([image], [i], None, [256], [0, 256]);
        plt.plot(hist, color = color);
        plt.xlim([0, 256]);
    plt.show("彩色直方图");

histSize:存放每个维度的直方图尺寸的数组，记录一个维度中，有多少个bins数组（有多少个分栏范围）。

ranges:表示每一个维度数组（第六个参数 dims）的每一维的边界阵列，可以理解为每一维数值的取值范围;一般情况下，histSize与ranges是恰好对应的。

直方图的应用：

1. 直方图均衡化：图像增强，提升对比度。

全局均衡化：

def equalHist_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY);
    dst = cv.equalizeHist(gray);
    cv.imshow("equal_image", dst);

局部自适应均衡化：

#achieve local equlization
def clahe_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY);
    clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8,8));
    dst = clahe.apply(gray);
    cv.imshow("clache_image", dst);