图像直方图

1. 图想直方图的基本概念

在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表.

图像直方图是用一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。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，一张较暗图片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.

图片来源: https://www.cambridgeincolour.com/tutorials/histograms1.htm

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: 出现这个灰度级的概率

    

    

• 直方图术语：
  dims：需要统计的特征的数目。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(images, channels, mask, histSize, ranges[, hist[, accumulate]])

  • 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是, 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: 累积标识
    • 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, 用于对一组图像计算直方图.

  import cv2
  import matplotlib.pyplot as plt
  lena = cv2.imread('./lena.png')
  
  hist = cv2.calcHist([lena], [0], None, [256], [0, 255])
  print(type(hist))
  print(hist.size)
  print(hist.shape)
  print(hist)
  

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

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')

histb = cv2.calcHist([lena], [0], None, [256], [0, 255])
histg = cv2.calcHist([lena], [1], None, [256], [0, 255])
histr = cv2.calcHist([lena], [2], None, [256], [0, 255])

plt.plot(histb, color='b')
plt.plot(histg, color='g')
plt.plot(histr, color='r')
plt.show()

效果如下：

如果不使用 calcHist 方法，可以先转换成单通道的黑白图像，再用 matplotlib 自带的 hist 方法统计并画出黑白图的直方图

 import cv2
 import numpy as np
  import matplotlib.pyplot as plt\n
  img = cv2.imread('./lena.png')\n
  # 变成黑白图片
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  print(gray)
  # 统计直方数据
  plt.hist(gray.ravel(), bins=256, range=[0, 255])

效果如下：

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片大小一样大的图片. mask = np.zeros(image.shape, np.uint8)
  • 将想要的区域通过索引方式设置为255. mask[100:200, 200: 300] = 355

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

mask = np.zeros(gray.shape, np.uint8)
mask[200:400, 200: 400] = 255
hist_mask = cv2.calcHist([gray], [0], mask, [256], [0, 255])
hist_img = cv2.calcHist([gray], [0], None, [256], [0, 255])
plt.plot(hist_mask)
plt.plot(hist_img)

cv2.imshow('mask', cv2.bitwise_and(gray, gray, mask=mask))
cv2.waitKey(0)
cv2.destroyAllWindows()

5. 直方图均衡化原理

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，提高了图像的对比度，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强图像细节。

原理:

1. 计算累计直方图
2. 讲累计直方图进行区间转换
3. 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(src[, dst])
  • src 原图像
  • dst 目标图像, 即处理结果

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

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

# 查看各自的直方图
hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255])
hist_dark = cv2.calcHist([gray_dark], [0], None, [256], [0, 255])
hist_bright = cv2.calcHist([gray_bright], [0], None, [256], [0, 255])

plt.plot(hist_gray)
plt.plot(hist_dark)
plt.plot(hist_bright)

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

暗图均衡化后效果：

亮图均衡化后效果：