Opencv进阶篇---图像直方图

1、直方图：对灰度图像中的各像素值得个数的统计

cv.calcHist(sec,channels,mask,histSize,ranges)
src:原图像格式为uint8或float32，当传入图函数时应用中括号[]括起来，例如[src]
channels:同样用中括号括起来，如果传入图像是灰度图，它的值就是[0],如果是彩色图，则传入[0][1][2]分别对应着BGR
mask:掩模图像，统计整副图像的直方图将其置为None，如果只统计图像的一部分直方图时需要制作一个掩模
histSize:BIN的数目，也应该用中括号括起来
ranges:像素范围常为[0,256]
灰度图像直方图：

src=cv.imread("E:\OpenCVTests\Samples\sample\The Eighth notebook\cat.jpg",0)#0表示灰度图像
hist=cv.calcHist([src],[0],None,[256],[0,256])
plt.hist(src.ravel(),256)
plt.show()

**彩色图像二值图：**分通道展示

src=cv.imread("E:\OpenCVTests\Samples\sample\cat.jpg")
color=['b','g','r']
for i,col in enumerate(color):
    histr=cv.calcHist([src],[i],None,[256],[0,255])
    plt.plot(hist,color=col)
    plt.xlim([0,256])

**2、**掩码(mask)操作：相当于对图像进行截取，掩码部分为255，其它部分为黑色，与原始图形结合后，就只显示图像与掩码重合的部分
分别为原图、掩码图、掩码图应用于原图之后、掩模图部分的直方图

mask=np.zeros(src.shape[:2],np.uint8)#第一个参数，刚好创建与原始图像一样大小的形状，所以为src.shape[:2];uint8，无符号整型，刚好表示0-255的范围
mask[100:300,100:400]=255#默认要求，指定mask在图像上的范围，mask为白色，其它部分为黑色
histr = cv.calcHist([src], [i], mask, [256], [0, 255])#将mask应用到原图上，则只会显示mask区域对应的直方图

3、cv.equalizeHist（）直方图均衡化
原始图像直方图结果：

预期直方图结果：

处理方法：统计各个灰度值点的个数------>求取每个像素点出现的概率------>计算出累积概率------>用累积概率与总的像素点范围相乘------>结果为新的灰度值，详见下表

def equalHistDemo(image):#直方图均衡化作用：增强图像的对比度,黑色背景大米的例子----自适应均衡化
    gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#直方图均衡化必须是针对灰度级的图像的，因此需转化图像的色彩空间
    dst=cv.equalizeHist(gray)
    cv.imshow("equalize",dst)

4、cv.createCLAHE（）自适应直方图均衡化：对图像进行分块均衡化，以保留图像各个部分各自的特征
如下图，图像各个区域的差值明显，不适合做统一的均衡化

结果：

def claheDemo(image):#直方图部分均衡化，即对均衡化的参数可调节----自定义均衡化
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    clahe=cv.createCLAHE(clipLimit=3.0,tileGridSize=(8,8))#clipLimit该参数控制均衡化的程度
    dst=clahe.apply(gray)
    cv.imshow("clahe",dst)