基于Python的Opencv的学习

基于Python的Opencv的学习第十五天

最近一直忙于玩模型，给学习opencv抛到了脑后，其实博主不仅是一名opencv学习者，也是一名模型爱好者，在近几天继续给大家分享opencv的学习小总结。

使用掩膜的直方图

在上一篇博客讲到calcHist（）函数中一个参数为mask，当时所说将详细介绍一下，现在就来看看这个参数如何使用。

首先来了解一下掩膜是什么：
看如下图所示：

如图，掩膜为一幅图像，黑色为不透明，白色为透明（白色即我们所指定的区域），将掩膜图像对原始图像进行处理，则不透明部分被遮盖，透明部分则显示。

生成掩膜需要使用函数np.zeros()来生成一幅全黑的不透明的图像（暂且我们认为这是背景色），然后在用下标指定的方式来创建一下掩膜图像中的透明的部分（暂且认为这是前景色）具体代码如下示例：

mask=np.zeros(image.shape,np.uint8)
#这里zeros（）函数里面包括了原始图像的大小和类型，这样能够让生成的图像保持一致
mask[200:400,200:400]=255
#这里指的是这个范围内的像素值设置为255（即白色）

上篇博客介绍了calcHist（）函数：

具体链接：
calcHist()函数的介绍
在掩膜里面，我们只需要改动一下mask参数即可

import cv2
import numpy as np
import matplotlib.pyplot as plt
image=cv2.imread(r'C:\Users\Samut\Desktop\1.jpg')
mask=np.zeros(image.shape,np.uint8)
mask[200:400,200:400]=255
hist=cv2.calcHist([image],[0],mask,[256],[0,255])
histimage=cv2.calcHist([image],[0],None,[256],[0,255])
plt.plot(histimage)
plt.plot(hist)

如图，橙色线为指定区域的直方图（即为掩码的直方图），蓝色线为整幅图片的直方图。
除了上述对掩膜图像的理解外，还有以下一种理解方式：
掩膜处理可以类似与“或”和“与”原理的理解：

即掩膜原理就是“与”原理，原始图像的像素值与掩膜图像白色区域的像素值为一，黑色部分像素值为零，进行与运算。如图：

opencv中还有一个函数为cv2.bitwise_and()函数，具体格式如下，这个函数可以生成掩膜运算的结果
计算结果=cv2.bitwise_and(图像1，图像2)

这里就是与运算

mask=np.zeros(800,np.uint8)
mask[300:500,300:500]=255
masked_img=cv2.bitwise_and(img,mask)

这里masked_img为通过掩膜操作后的图像

直方图均衡化原理

讲解完直方图的掩膜之后，迎来了今天的重点：对直方图进行均衡化处理。首先来了解一下均衡化的原理：

如图所示，来自官网上面的对均衡化的介绍，左边为原始图像的直方图，右边为进行均衡化之后的直方图，可以看到左边的在0~大概50部分的像素值为零，200到255部分的像素值大概为零，进行均衡化之后可以看到0到50和200到255部分的像素值都有了，而且左边的峰值降下来了，右边的峰值比较往两边扩，从而达到均衡化的结果。


这里左边图片很亮，处理后可以得到右边的结果，如下图的两幅直方图对比，上面的代表亮的，像素值均靠右侧，下面的代表进行均衡化处理后的直方图，像素值比较均衡。

进行直方图均衡化的意义，如上图实例，有的直方图过亮或者过暗，导致一些细节不容易展示，进行均衡化处理后，图像更丰富，这是因为在累计直方图中，概率相近的原始值，会被处理为相同的值。

介绍完原理之后，来看Opencv为我们准备的均衡化函数为equalizeHist()函数，具体格式如下：
dst=cv2.equalizeHist(src)
src:原始图像
dst：目标图像，处理结果

import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread(r'C:\Users\Samut\Desktop\2.jpg')
#对直方图进行均衡化
equ=cv2.equalizeHist(img)
#绘制直方图使用plt.hist()函数，ravel()函数将二维图像处理成一维图像
plt.hist(img.ravel(),256)
#重新创建一个窗口，进行绘制第二幅图像
plt.figure()
plt.hist(equ.ravel(),256)

这就是对直方图均衡化的相关解释，这个方法可以用于一些照片太亮或者太暗，经过均衡化后得到图像的亮度比较均衡，这样一些细节就能更好展现。