数字图像处理（1）：灰度直方图、直方图均衡化处理（入门必看）

🔥博客主页：真的睡不醒

🚀系列专栏：深度学习环境搭建、环境配置问题解决、自然语言处理、语音信号处理、项目开发

💘每日语录：闲看花开，静待花落，冷暖自知，干净如始。

🎉感谢大家点赞👍收藏⭐指正✍️

前言：本文详细介绍了如何使用python对图像进行基本的操作，包括对图像的读取、显示、修改和保存，通过Matplotlib对图像进行绘制、显示和保存，最后详细讲解了如何绘制直方图，并对直方图进行均衡化处理。欢迎大家参考和学习！

---

一、图像显示

代码部分：

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

img  = cv2.imread('./work/img/rice.tif',cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('./work/img/rice.tif',cv2.IMREAD_ANYDEPTH)
plt.subplot(121)
plt.title('image 1')
plt.imshow(img,cmap='gray')
plt.subplot(122)
plt.title('image 2')
plt.imshow(img2,cmap='Reds') #
plt.show()

plt.subplot(121): 使用Matplotlib的subplot函数创建一个1x2的图像窗口，并指定当前子图的索引为1。在1x2的图像窗口中，这将创建一个包含两个子图的布局，当前子图位于第1列。

plt.subplot(122): 设置当前子图的索引为2，即在1x2的图像窗口的第2列。

plt.imshow(img, cmap='gray'): 并使用'gray'颜色映射（colormap）以灰度方式显示图像。同理cmap='Reds'则是红色。

''' 说明： matplotlib.pyplot.imshow默认的cmap参数 颜色映射值是：virudis，几种常见cmap参数的可视化效果如下：
第一行就是viridis类型，可以看到它是蓝绿黄渐变的一个颜色。对应灰度图就是，灰度值0对应最左边蓝色。灰度值255对应最右边黄色。 需要显示灰度图，就要将cmap值设定为gray，

即：plt.imshow(img,cmap='gray')

代码结果展示：

二、更改图像像素点

import numpy as np

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
from PIL import Image

# 读取图片
iris = mpimg.imread(r'input_pictures/evidence.jpg')  # 请据实修改路径

print(type(iris))

# 转换为numpy数组
img_array = np.array(iris)
# 将像素点矩阵所有像素点加100
new_img_array = img_array + 100
# 矩阵转换为图像
iris_new = Image.fromarray(new_img_array)
mpimg.imsave(r'output_pictures/evidence.jpg', iris_new)
# 显示图片
plt.subplot(121)
plt.imshow(iris)
plt.subplot(122)
plt.imshow(iris_new)
plt.axis('off')
plt.show()

这里在读取图像之后，得到 numpy.ndarray类型，然后将其转化为numpy数组，这个时候，我们得到的矩阵就是图像的像素点，那么我们就可以更改图像的像素点了。在更改像素点之后，要记得将矩阵转化为图像。

三、计算灰度图像直方图、直方图均衡化处理

1、灰度直方图概念

灰度直方图（histogram）是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率。其中，横坐标是灰度级，纵坐标是灰度级出现的频率。

2、灰度直方图的作用

1. 对比度分析：灰度直方图可以帮助你分析图像的对比度，即不同亮度级别之间的差异程度。直方图中的峰值和谷底可以用来衡量对比度。高峰值表示高对比度，低峰值表示低对比度。

2. 图像增强：通过灰度直方图均衡化，可以调整图像的对比度，使其更容易分辨和分析。直方图均衡化可以使图像的灰度级别更均匀，增强图像中的细节。

3. 阈值处理：在二值图像处理中，可以使用灰度直方图来确定合适的阈值，以将图像分成前景和背景。这在图像分割和目标检测中非常有用。

4. 检测特定特征：某些特定的特征可能在灰度直方图中产生特定的模式，例如双峰直方图表示图像中存在两个主要的亮度分布。这些特征可以用于检测或识别特定对象或情况。

3、直方图均衡化处理

为什么要进行直方图均衡化？

直方图均衡化（Histogram Equalization）又称直方图平坦化，它的主要目标是将输入图像的像素值分布重新映射，以使其更均匀地分布在整个像素值范围内。这有助于使图像的亮度范围更广，增加对比度，并使细节更加突出。。这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一个较平的分段直方图，如果输出数据分段值较小的话，会产生粗略分类的视觉效果。

如下图：

过暗和过亮的图像 经过直方图均衡化，使得图像变得清晰。

2、调用函数库实现

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

# 读取彩色图像
image_path = 'work/img/屏幕截图 2023-09-14 112654.png'  # 请根据实际路径修改
image = cv2.imread(image_path)

# 将彩色图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 计算灰度图像的直方图
gray_hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])

# 直方图均衡化
equalized_gray_image = cv2.equalizeHist(gray_image)

# 计算均衡化后图像的直方图
equalized_gray_hist = cv2.calcHist([equalized_gray_image], [0], None, [256], [0, 256])

# 可视化彩色原始图像和灰度图像
plt.figure(figsize=(12, 6))

plt.subplot(3, 2, 1)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.title('Original Color Image')

plt.subplot(3, 2, 3)
plt.imshow(gray_image, cmap='gray')
plt.title('Original Gray Image')

plt.subplot(3, 2, 4)
plt.plot(gray_hist)
plt.title('Original Gray Histogram')

# 可视化均衡化后的灰度图像
plt.subplot(3, 2, 5)
plt.imshow(equalized_gray_image, cmap='gray')
plt.title('Equalized Gray Image')

plt.subplot(3, 2, 6)
plt.plot(equalized_gray_hist)
plt.title('Equalized Gray Histogram')

plt.tight_layout()
plt.show()

这里是直接用到opencv库来处理图像和直方图，首先将图像转化为灰度图像，然后计算灰度图像的直方图，接着将直方图均衡化。

cv2.calcHist([gray_image], [0], None, [256], [0, 256])

​​​​​​calcHist 各个参数的含义：

1. images: 这是一个图像的列表，通常是一个单通道图像（如灰度图像）。你可以传入一个图像列表，但在这里我们只有一个图像，所以我们使用[gray_image]来表示包含一个灰度图像的列表。

2. channels: 这是一个用于指定通道的索引列表。在这里，我们处理的是灰度图像，只有一个通道，因此使用[0]来表示第一个通道（索引为0）。

3. mask: 这是一个可选的遮罩图像，用于计算特定区域的直方图。如果不需要遮罩，可以传入None。

4. histSize: 这是一个整数列表，用于指定直方图的 bin 的数量。通常，它是一个整数列表，每个整数表示对应通道的 bin 的数量。在这里，我们使用[256]表示灰度图像的 bin 的数量为256。

5. ranges: 这是用于指定每个 bin 的取值范围。通常，它是一个表示最小值和最大值的整数列表。在灰度图像中，像素值范围通常是从0到255，因此我们使用[0, 256]表示范围。

结果展示

3、通过自主编程实现

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

# 读取彩色图像
image_path = r'work/img/屏幕截图 2023-09-14 112654.png'  # 请根据实际路径修改
image = imageio.imread(image_path)

# 将彩色图像转换为灰度图像
def rgb_to_gray(rgb_image):
    # 使用加权平均将RGB图像转换为灰度图像
    return np.dot(rgb_image[...,:3], [0.2989, 0.5870, 0.1140]).astype(np.uint8)

gray_image = rgb_to_gray(image)

# 计算灰度图像的直方图
def calculate_histogram(image):
    histogram = np.zeros(256, dtype=int)

    height, width = image.shape
    for i in range(height):
        for j in range(width):
            pixel_value = image[i, j]
            histogram[pixel_value] += 1

    return histogram

gray_hist = calculate_histogram(gray_image)

# 直方图均衡化
def histogram_equalization(image, histogram):
    height, width = image.shape
    total_pixels = height * width

    cdf = np.cumsum(histogram)

    equalized_image = np.zeros_like(image, dtype=np.uint8)
    for i in range(256):
        equalized_image[image == i] = 255 * cdf[i] // total_pixels

    return equalized_image

equalized_gray_image = histogram_equalization(gray_image, gray_hist)

# 计算均衡化后图像的直方图
equalized_gray_hist = calculate_histogram(equalized_gray_image)

# 可视化彩色原始图像和灰度图像
plt.figure(figsize=(12, 6))

plt.subplot(3, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Color Image')

plt.subplot(3, 2, 3)
plt.imshow(gray_image, cmap='gray')
plt.title('Original Gray Image')

plt.subplot(3, 2, 4)
plt.plot(gray_hist)
plt.title('Original Gray Histogram')

# 可视化均衡化后的灰度图像
plt.subplot(3, 2, 5)
plt.imshow(equalized_gray_image, cmap='gray')
plt.title('Equalized Gray Image')

plt.subplot(3, 2, 6)
plt.plot(equalized_gray_hist)
plt.title('Equalized Gray Histogram')

plt.tight_layout()
plt.show()