直方图及其应用

-小透明-

已于 2023-03-21 19:47:45 修改

阅读量2.2k

点赞数 2

分类专栏：计算机视觉文章标签：计算机视觉 opencv python Powered by 金山文档

于 2023-03-21 18:29:27 首次发布

本文链接：https://blog.csdn.net/qq_54809548/article/details/129686082

版权

计算机视觉专栏收录该内容

23 篇文章 0 订阅

订阅专栏

直方图定义

直方图是一种描述数据的分布

通过将连续变量划分成一系列区间，统计区间频率，并用来表示，以表征其统计特征

在图像处理中，直方图可以用来表示图像中像素值的分布状况，描述不同灰度级的像素在图像中的占比

直方图应用

1. 图像增强。通过调整像素值，让图像的像素复合某种统计特性，达到增强图像的目的

2. 图像分割。利用直方图来将图像划分为多个区域，从而进行目标分割

3. 像素的统计特性，可以作为图像的一种特征，用于对图像内容进行分类、检索、压缩

https://blog.csdn.net/yishuihanq/article/details/120220374

OpenCV画直方图

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

关于`cv2.calcHist`函数的说明

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

- images: 源图像

- channels：参与计算直方图的通道

- mask：一个可选的掩膜，它与源图像具有相同的尺寸，用于指定计算直方图的区域。例如，可以通过指定一个矩形来计算图像的某个区域的直方图。

- histSize：表示要计算的直方图的大小，以方括号形式传入。如果输入图像是灰度图像，则为灰度级别数；如果是彩色图像，则可以对每个通道指定不同的大小，例如 [256, 256, 256] 表示每个通道的直方图大小为 256。

- ranges：表示像素值的范围，以方括号形式传入。如果输入图像是灰度图像，则范围应该是 [0, 256]；如果是彩色图像，则可以为每个通道指定不同的范围，例如 [0, 256, 0, 256, 0, 256] 表示每个通道的范围分别为 [0, 256]。

- accmulate：一个可选的参数，用于指定是否要累加直方图。如果指定为 True，则计算整幅图像的直方图；如果指定为 False，则只计算当前区域的直方图。

2. （numpy）np.histagram

关于np.histagram的用法：

hist, bins = np.histogram(a, bins=10, range=None, normed=False, weights=None, density=None)

- a: 输入的一维数组。

- bins: 直方图的bin数量，也可以指定每个bin的边界，如[0, 10, 20, 30, 40]。

- range: 直方图统计的范围。

- normed和density：两个参数效果相同，设置是否对结果进行归一化。

对比度增强

对比度：最暗的像素和最大的像素值的对比

一个经典的对比度增强的方法：对比度拉伸，局限：仅适用于低动态图像

https://blog.csdn.net/xinjay1992/article/details/108672007

直方图均衡化

直方图最广泛的应用之一，就是直方图均衡化。

直方图均衡化，是一种对**图像增强**的方法：通过重新分配像素值的灰度级，来增强图像的对比度。

对于矩阵的意义：让像素在整个像素范围更加均匀

基本思想

将直方图变换为一个均匀分布的直方图，使得像素值更加均匀，从而达到增强图像的目的。

通常，直方图中呈现尖峰的位置，说明处于该值的像素较为接近

而直方图均衡化后，可以令这些像素取值更加分散，因此视觉上可以将不明显的物体与周围物体区分开来

计算过程

https://blog.csdn.net/weixin_45930877/article/details/119581282

直方图性质等详解：https://zhuanlan.zhihu.com/p/411042641

底层代码

np.interp 是 NumPy 中的一个函数，用于进行线性插值。具体来说，

np.interp(x, xp, fp, left=None, right=None, period=None) 函数用于计算一个新的数组 x 对应的线性插值结果。其中，x 表示需要进行插值的位置，xp 表示已知数据的位置，fp 表示已知数据的取值。

具体地说，np.interp 的计算方式为：对于 x 中的每一个位置，找到其在 xp 中的相邻位置 xp_i 和 xp_{i+1}，然后在这两个位置的 fp 取值中进行线性插值，得到 x 对应位置的插值结果。

如果 x 中的某个位置超出了 xp 的取值范围，那么根据参数 left 和 right 的取值，有不同的处理方式。如果 left 和 right 都未指定，那么超出取值范围的位置将返回 np.nan；如果 left 和 right 中的一个指定了值，那么超出取值范围的位置将使用该值进行插值；如果两者都指定了值，那么会根据超出位置的方向分别使用两个值进行插值。

此外，如果 xp 中的值不是单调递增的，那么可以使用参数 period 指定数据的周期，从而进行周期性插值。

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

# 先把图像变暗
img = cv2.imread('E:/notebook/lena.png', 0)
plt.imshow(img, cmap='gray')
plt.show()
dark = (0.5 * img).astype('uint8')
# cv2.imwrite("E:/notebook/dark_lena.jpg", dark)
image = cv2.imread("E:/notebook./dark_lena.jpg")
plt.imshow(image, cmap='gray')
plt.show()
# 计算直方图
hist, bins = np.histogram(img.flatten(), 256, [0,256])
plt.hist(hist, bins=bins)
plt.show()
print(hist[100:105])
# [1950 1950 1881 1862 1683]
# 直方图归一化
hist_norm = hist.astype(np.float32) / hist.sum()
print(hist_norm[100:105])
# [0.00743866 0.00743866 0.00717545 0.00710297 0.00642014]
# 计算累积直方图
cum_hist = hist_norm.copy()
for i in range(1, len(cum_hist)):
    cum_hist[i] = cum_hist[i-1] + cum_hist[i]
print(cum_hist[100:105])
# [0.32024384 0.3276825  0.33485794 0.34196091 0.34838104]
# 均衡化
img_equalized = np.interp(img.flatten(), bins[:-1], cum_hist).reshape(img.shape)
# print(bins)
plt.imshow(img_equalized, cmap='gray')
plt.show()

缺点

直方图整体均衡化用于增强图像质量。通过将图像映射到小区间，并进行归一化，使得其像素范围能够充斥整个空间。从而达到增强图像对比度，或者将亮度调整到适宜空间内的效果。

然而，对图像总体进行直方图均衡化，也会造成一些负面效果。

* 图像中某部分很亮，其他部分很暗，直方图均衡化会导致亮部过曝

* 图像分层

* 噪声问题

自适应直方图均衡(AHE, adaptive histogram equalization)

将图像分成若干的各区域，对每个小区域做直方图均衡化

def AHE(im, wsz=100):
    h, w = im.shape
    out = np.zeros(im.shape) # Declare output variable
    for x in range(wsz//2, h + wsz//2):
        for y in range(wsz//2, w + wsz//2):
            blk = im[x-wsz//2:x+wsz//2, y-wsz//2:y+wsz//2]
            tmp = cv2.equalizeHist(blk)
            out[x-wsz//2:x+wsz//2, y-wsz//2:y+wsz//2] = tmp
    return out
img = cv2.imread("E:/notebook/person.png", 0)
plt.imshow(img, cmap="gray")
plt.show()
img = AHE(cv2.imread("E:/notebook/person.png", 0), wsz=50)
plt.imshow(img, cmap="gray")
plt.show()

CLAHE （contrast limited adaptive histogram equalization）

**核心思想** 将图像划分为若干个小块，并在小块内进行限制性直方图均衡化，经双线性最后的均衡化后的图像。

**步骤**

1. 将图像划分成若干个大小相等的块

2. 对每个子图进行“限制性”均衡化

3. 插值，得到均衡化后的像素值

“限制性”均衡化

参数解释

`clipLimit`: 控制了直方图均衡化中对比度增强的程度。该参数的数值越大，对比度增强的程度也越大，但是同时也会增加图像出现伪影的概率。

clip_limit = clip_limit_factor * (M / N)

其中，clip_limit_factor是一个用户定义的参数，通常取值在0.01到0.1之间；M是图像像素数量，N是直方图中的最高峰的数量。通常情况下，N的取值在50到200之间。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
clip_limit = 5
arr_clipped = np.clip(arr, a_min=None, a_max=clip_limit)
print(arr_clipped)
# [1 2 3 4 5 5 5 5 5]

平滑伪影

`tileGridSize` 表示将图像分割成的小块的大小。它对均衡化结果的影响主要体现在以下两个方面：

* 计算直方图时的像素点数量：由于 CLAHE 算法是在每个小块上进行直方图均衡化，因此 tileGridSize 的大小会直接影响每个小块中包含的像素点数量。如果 tileGridSize 太小，每个小块中的像素点数量就会很少，可能会导致直方图统计不准确，从而影响均衡化结果。而如果 tileGridSize 太大，每个小块中的像素点数量就会很多，可能会导致直方图过于集中，也会影响均衡化结果。因此，要根据具体的图像特征和处理需求，选择适当的 tileGridSize 大小。

* 均衡化效果的细节保留：tileGridSize 的大小还会影响均衡化结果中细节的保留程度。如果 tileGridSize 太小，每个小块中的像素点数量较少，可能会导致细节的损失。而如果 tileGridSize 太大，每个小块中的像素点数量较多，可能会导致一些小细节被平滑掉，从而导致细节不够清晰。因此，要根据具体的需求和图像特征，选择适当的 tileGridSize 大小，以达到最优的均衡化效果和细节保留程度。

cl = cv2.createCLAHE(clipLimit=3, tileGridSize=(8, 8))
im = cl.apply(cv2.imread("E:/notebook/person.png", 0))
plt.imshow(im, cmap='gray')
plt.show()

直方图应用---图像分割

直方图的波动曲线，表示了不同像素等级的统计信息

对于一个语义上关联较为紧密的物体，其像素的关联可能也较为紧密

因此，在对某个高频像素进行处理的时候，往往也是对于语义关联较为紧密的物体进行处理。

最优阈值怎么选？

img = cv2.imread('E:/notebook/greenscreen.png')
plt.imshow(img)
plt.show()
hist, bins = np.histogram(img.flatten(), 256, [0, 256])
print(hist)
plt.bar(range(256), hist.ravel())
plt.show()
max_peak = np.argmax(hist)
print(max_peak) # 最多的43阈值1
second_peak = np.argmin(hist[100: 150]) + 100
print(second_peak) # 第二多的119阈值2
# 区间1 [0: max]
img_bin = np.zeros_like(img)
img_bin = np.where((img >= max_peak), 255, img_bin)[:, :, 0]
plt.imshow(img_bin, cmap='gray')
plt.show()
img_bin_2 = np.ones_like(img) * 0
img_bin_2 = np.where((img <= second_peak), 255, img_bin_2)[:, :, 0]
plt.imshow(img_bin_2, cmap='gray')
plt.show()
mask = img_bin * img_bin_2
plt.imshow(mask, cmap='gray')
plt.show()