[Python] opencv - 什么是直方图？如何绘制图像的直方图？如何对直方图进行均匀化处理？

什么是直方图？

直方图是一种统计图，用于展示数据的分布情况。它将数据按照一定的区间或者组进行划分，然后计算在每个区间或组内的数据频数或频率（即数据出现的次数或占比），然后用矩形或者柱形图的形式将这些频数或频率表示出来。横轴表示数据的区间或组，纵轴表示频数或频率，通过矩形或柱形的高度来表示频数或频率的大小。直方图可以用于直观地展示数据的分布情况，分析数据的集中趋势、离散程度和异常值等。

什么是图像直方图？

图像直方图是用来表示数字图像亮度或颜色分布的统计图。它可以显示图像中每个像素值或像素值范围的频数或频率。图像直方图以横轴表示像素值，纵轴表示像素值的频数或频率。对于灰度图像，直方图展示了每个像素值出现的次数或占比。对于彩色图像，可以将图像分解为红、绿、蓝通道，每个通道的直方图分别表示了该通道像素值的分布情况。

图像直方图可以提供有关图像亮度或颜色分布的重要信息。例如，在灰度图像中，直方图的形状可以反映图像的对比度和明暗程度。在彩色图像中，通过分析不同通道的直方图，可以了解图像的色彩分布情况，例如颜色偏移、色彩饱和度等。图像直方图在图像处理和计算机视觉中广泛应用，用于图像增强、颜色分析、图像检索等任务中。

opencv的calcHist函数介绍

cv2.calcHist()函数是OpenCV中用于计算图像直方图的函数。它的语法如下：

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

参数解释：

• images：输入的图像，可以是一个图像或图像列表。
• channels：用于计算直方图的通道编号，如果输入的图像是灰度图像，则通道值为[0]；如果是彩色图像，通道值可以是[0]、[1]或[2]，分别表示B、G、R通道。
• mask：可选参数，用于指定感兴趣区域。如果不提供，则计算整个图像的直方图。
• histSize：直方图的桶数，表示直方图的分组数量。
• ranges：直方图的像素值范围，通常为[0, 256]。
• hist：可选参数，用于存储计算得到的直方图。
• accumulate：可选参数，用于指定是否累加直方图。

返回值：

• hist：计算得到的直方图。

cv2.calcHist()函数会根据指定的通道和大小，计算输入图像的直方图。可以通过调整参数来计算灰度图像或彩色图像的直方图。计算得到的直方图可以用于图像处理、分析和可视化等应用。

如何灰度图像的直方图？

在Python中，可以使用matplotlib库 + opencv库来绘制灰度图像的直方图。下面是一个简单的示例：

import cv2
import matplotlib.pyplot as plt

# 读取灰度图像
image = cv2.imread('2_0_2_2170.png', 0)

# 计算直方图
histogram = cv2.calcHist([image], [0], None, [256], [0, 256])

# 绘制直方图
plt.figure()
plt.title('Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.plot(histogram)
plt.xlim([0, 256])
plt.show()

在上面的示例中，我们首先使用cv2.imread()函数读取灰度图像。然后，使用cv2.calcHist()函数计算图像的直方图。该函数接受以下参数：图像（以数组的形式传递，所以使用方括号括起来），通道（如果是灰度图像，通道为[0]），掩码（用于指定对哪些像素计算直方图，None表示计算整个图像的直方图），直方图的bin数（256表示每个像素值都有一个bin），像素值范围（[0, 256]表示像素值的范围）。最后，使用matplotlib.pyplot库绘制直方图，设置标题、x轴、y轴标签，以及绘制直方图的范围。

运行以上代码，将会显示灰度图像的直方图。你可以根据实际情况修改代码中的图像路径和参数，来绘制不同灰度图像的直方图。

如何绘制彩色图像的直方图?

import cv2
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv2.imread('beauty_01.jpg')

# 将图像从BGR颜色空间转换为RGB颜色空间
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 将图像展平为一维数组
pixels = image_rgb.reshape(-1, 3)

# 绘制直方图
plt.figure()
plt.title('Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
colors = ('r', 'g', 'b')
for i, color in enumerate(colors):
    histogram = cv2.calcHist([image_rgb], [i], None, [256], [0, 256])
    plt.plot(histogram, color=color)
    plt.xlim([0, 256])
plt.show()

在上述示例中，我们首先使用cv2.imread()函数读取彩色图像。然后，使用cv2.cvtColor()函数将图像从BGR颜色空间转换为RGB颜色空间。接下来，我们使用reshape()函数将图像展平为一维数组，以便于计算直方图。然后，使用cv2.calcHist()函数计算每个颜色通道的直方图。最后，使用matplotlib.pyplot库绘制直方图，设置标题、x轴、y轴标签，以及为每个颜色通道分别绘制直方图。

运行以上代码，将会显示彩色图像的直方图。你可以根据实际情况修改代码中的图像路径和参数，来绘制不同彩色图像的直方图。

什么是直方图均衡化？

直方图均衡化是一种图像处理技术，用于增强图像的对比度。 它通过重新分配图像的灰度级，使得原始图像中灰度级较少的区域在整个灰度范围内更均匀地分布。直方图均衡化可以增加图像的视觉效果和细节，并用于图像增强、图像分割、图像识别等应用中。

如何进行直方图均衡化？

opencv中，可以通过equalizeHist函数来进行灰度图的直方图均衡化。

cv2.equalizeHist()函数是OpenCV中用于直方图均衡化的函数。它将输入图像的直方图进行均衡化，以提升图像的对比度和亮度。

该函数的语法如下：

dst = cv2.equalizeHist(src)

参数说明：

• src：输入图像，可以是灰度图像或彩色图像。

返回值：

• dst：均衡化后的图像。

函数的工作原理如下：

1. 计算输入图像的直方图。
2. 计算直方图的累积分布函数（Cumulative Distribution Function，CDF）。
3. 根据CDF对输入图像进行像素值的映射，将较暗的像素值转化为较亮的像素值，以实现直方图均衡化。
4. 返回均衡化后的图像。

直方图均衡化可以提高图像的对比度，使得图像中的细节更加清晰。它常用于图像增强、视觉处理和计算机视觉中的预处理步骤。

使用案例：

import cv2

# 读取图像
image = cv2.imread('beauty_01.jpg', cv2.IMREAD_GRAYSCALE)  # 以灰度模式读取图像

# 进行直方图均衡化
equalized_image = cv2.equalizeHist(image)

# 显示原始图像和均衡化后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Equalized Image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()