OpenCV学习笔记13-图像直方图的介绍及代码实现

Posted Aaron-ywl

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了OpenCV学习笔记13-图像直方图的介绍及代码实现相关的知识，希望对你有一定的参考价值。

图像直方图

文章目录

1 图像直方图的基本概念

在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表.

图像直方图是用一表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布的直方图。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。（图像里各种灰度级出现的次数作出的图形）

  • 横坐标: 图像中各个像素点的灰度级.（比如像素的值都是在0-255之间，每个具体的数值就是一个灰度级）
  • 纵坐标: 具有该灰度级的像素个数.

具体应用：如果是曝光过度可以减少补光，如果光线不够，可以补光

图片来源: https://www.cambridgeincolour.com/tutorials/histograms1.htm

画出上图的直方图:

或者以柱状图的形式:

  • 归一化直方图

    • 横坐标: 图像中各个像素点的灰度级

    • 纵坐标: 出现这个灰度级的概率

  • 直方图术语：
    dims：需要统计的特征的数目。例如：dims=1，表示我们仅统计灰度值。
    bins：每个特征空间子区段的数目。 （将原来的区间找几个和并在一起，这样有利于分析）一般只改bins

    range：统计灰度值的范围, 一般为[0, 255]

2 使用OpenCV统计直方图(calcHist)

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

    • images: 原始图像（彩色或黑白均可）

      • 需要用中括号括起来，因为images可以传入多张图像

    • channels: 指定通道.

      • 需要用中括号括起来, 输入图像是灰度图像（单通道）值是[0], 彩色图像可以是[0], [1], [2], 分别对应B,G,R.

    • mask: 掩码图像

      • 统计整幅图像的直方图, 设为None
      • 统计图像某一部分的直方图时, 需要掩码图像.

    • histSize: BINS的数量

      • 需要用中括号括起来, 例如[256]

    • ranges: 像素值范围, 例如**[0, 255]**

    • hist: 返回值，返回一个shape为(256,1)的数组，表示0-255每个像素值对应的像素个数，下标即为相应的像素值

    • accumulate: 累积标识

      • 默认值为False
      • 如果被设置为True, 则直方图在开始分配时不会被清零.
      • 该参数允许从多个对象中计算单个直方图, 或者用于实时更新直方图.
      • 多个直方图的累积结果, 用于对一组图像计算直方图.
    import cv2
import numpy as np

img = cv2.imread('./lena.png')

hist = cv2.calcHist([img], [0], None, [256], [0, 255])
print(hist)
print(hist.size)
print(hist.shape)

3 使用OpenCV绘制直方图(plt.hist/plt.plot)

可以利用matplotlib把OpenCV统计得到的直方图绘制出来.

matplotlib.pyplot.hist( x, bins=None, range=None, …)

  • x: 数据源，必须是一维数组，通常需要通过函数reval（ ）拉直图像（将多维数组降维一维数组，格式为：一维数组 = 多维数组.ravel( )）,具体看12行代码

  • bins: 每个特征空间子区段的数目。

    • 默认为None，但通常设为256

  • range: 像素值范围, 例如**[0, 255]**

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

img = cv2.imread('./lena.png')

# 变成黑白图片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# print(gray) # 二维

# 统计直方图数据
plt.hist(gray.ravel(), bins = 256, range = [0,255])

或者使用cv2.calHist( )先获取直方图数据，然后再通过plt.plot( )进行绘制。

import cv2
import matplotlib.pyplot as plt
lena = cv2.imread('./lena.png')

histb = cv2.calcHist([lena], [0], None, [256], [0, 255])
histg = cv2.calcHist([lena], [1], None, [256], [0, 255])
histr = cv2.calcHist([lena], [2], None, [256], [0, 255])

plt.plot(histb, color='b',label='blue')
plt.plot(histg, color='g',label='green')
plt.plot(histr, color='r',label='red')
plt.legend() # 使用图例
plt.show()

4 使用掩膜的直方图(mask)

  • 掩膜，对图片的某一个区域进行操作

  • 如何生成掩膜

    • 先生成一个全黑的和原始图片大小一样大的图片. mask = np.zeros(image.shape, np.uint8)
    • 将想要的区域通过索引方式设置为255. 例如：mask[100:200, 200: 300] = 255
    • 通过cv2.bitwise_and( )将image和mask进行与运算得到image_mask掩膜图像

什么是与运算？具体可以看我这篇博客哦：OpenCV学习笔记6-图像的运算与位运算(附代码实现)

import cv2
import matplotlib.pyplot as plt

lena = cv2.imread('./lena.png')

# 变成黑白图片
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

# 生成掩膜图像
mask = np.zeros(gray.shape, np.uint8) # shape的形状要和gray一致

# 设置想要统计直方图的区域
mask[200:400, 200: 400] = 255

# 查看掩膜图像
cv2.imshow('mask',mask)
# 查看黑白图片
cv2.imshow('gray',gray)

# gray和gray做与运算结果还是gray。
# mask的作用就是gray和gray先做与运算，结果再和mask做与运算
# cv2.imshow('mask_gray', cv2.bitwise_and(gray, gray, mask=mask))
# 或者直接将gray和mask进行与运算
cv2.imshow('mask_gray', cv2.bitwise_and(gray, mask))

# 对mast和gray进行直方图统计对比
hist_mask = cv2.calcHist([gray], [0], mask, [256], [0, 255])
# hist_mask = cv2.calcHist([gray[200:400,200:400]], [0], None, [256], [0, 255])

hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255])

plt.plot(hist_mask,label='mask')
plt.plot(hist_gray,label='gray')
plt.legend() # 使用图例

cv2.waitKey(0)
cv2.destroyAllWindows()

5 直方图均衡化原理(equalizeHist)

直方图均衡化是通过拉伸像素强度的分布范围，使得在0~255灰阶上的分布更加均衡，提高了图像的对比度，达到改善图像主观视觉效果的目的。对比度较低的图像适合使用直方图均衡化方法来增强图像细节。

又如下图：绿圈圈出现少有像素分布其上的强度值，对其应用均衡化后，得到中间图所示的直方图，均衡化的图像见最右图所示

原理:

  1. 计算累计直方图
  2. 将累计直方图进行区间转换
  3. 在累计直方图中, 概率相近的原始值, 会被处理为相同的值

  • cv2.equalizeHist(src[, dst])
    • src 原图像
    • dst 目标图像, 即处理结果

5.1 未做均衡化展示：

import cv2
import matplotlib.pyplot as plt

cv2.namedWindow('gray',cv2.WINDOW_NORMAL)
cv2.namedWindow('gray_dark',cv2.WINDOW_NORMAL)
cv2.namedWindow('gray_bright',cv2.WINDOW_NORMAL)
cv2.resizeWindow('gray',400,400)
cv2.resizeWindow('gray_dark',400,400)
cv2.resizeWindow('gray_bright',400,400)

lena = cv2.imread('./lena.png')

# 变成黑白图片
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)
cv2.imshow('gray',gray)

# 让lena变黑
gray_dark = gray - 40
cv2.imshow('gray_dark',gray_dark)

# 让lena变亮
gray_bright = gray + 40
cv2.imshow('gray_bright',gray_bright)

# 查看没有做均衡化之前的直方图
hist_gray = cv2.calcHist([gray],[0],None,[256],[0,255])
hist_dark = cv2.calcHist([gray_dark],[0],None,[256],[0,255])
hist_bright = cv2.calcHist([gray_bright],[0],None,[256],[0,255])
labels = ['hist_gray','hist_dark','hist_bright']
imgs = [hist_gray,hist_dark,hist_bright]
for i in range(3):
    plt.plot(imgs[i],label = labels[i])
    plt.legend()
    plt.show()

cv2.waitKey(0)
cv2.destroyAllWindows()

5.2 做了均衡化展示：

import cv2
import matplotlib.pyplot as plt

cv2.namedWindow('gray',cv2.WINDOW_NORMAL)
cv2.namedWindow('gray_dark',cv2.WINDOW_NORMAL)
cv2.namedWindow('gray_bright',cv2.WINDOW_NORMAL)
cv2.resizeWindow('gray',400,200)
cv2.resizeWindow('gray_dark',400,200)
cv2.resizeWindow('gray_bright',400,200)

lena = cv2.imread('./lena.png')

# 变成黑白图片
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

# 让lena变黑
gray_dark = gray - 40

# 让lena变亮
gray_bright = gray + 40

# 进行均衡化处理
gray_equ = cv2.equalizeHist(gray)
dark_equ = cv2.equalizeHist(gray_dark)
bright_equ = cv2.equalizeHist(gray_bright)

# 显示均衡化处理后的图像
cv2.imshow('gray',np.hstack((gray,gray_equ)))
cv2.imshow('gray_dark',np.hstack((gray_dark,dark_equ)))
cv2.imshow('gray_bright',np.hstack((gray_bright,bright_equ)))

# 查看做均衡化之后的直方图
hist_gray_equ = cv2.calcHist([gray_equ],[0],None,[256],[0,255])
hist_dark_equ = cv2.calcHist([dark_equ],[0],None,[256],[0,255])
hist_bright_equ = cv2.calcHist([bright_equ],[0],None,[256],[0,255])
labels = ['hist_gray_equ','hist_dark_equ','hist_bright_equ']
imgs = [hist_gray_equ,hist_dark_equ,hist_bright_equ]
for j in range(3):
    plt.plot(imgs[j],label = labels[j])
    plt.legend()
    plt.show()
    j += 1

cv2.waitKey(0)
cv2.destroyAllWindows()

5.3 完整展示

完整代码：

import cv2
import matplotlib.pyplot as plt

lena = cv2.imread('./lena.png')

# 变成黑白图片
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)
# cv2.imshow('gray',gray)

# 让lena变黑
gray_dark = gray - 40
# cv2.imshow('gray_dark',gray_dark)

# 让lena变亮
gray_bright = gray + 40
# cv2.imshow('gray_bright',gray_bright)

# 查看没有做均衡化之前的直方图
hist_gray = cv2.calcHist([gray],[0],None,[256],[0,255])
hist_dark = cv2.calcHist([gray_dark],[0],None,[256],[0,255])
hist_bright = cv2.calcHist([gray_bright],[0],None,[256],[0,255])
labels = ['hist_gray','hist_dark','hist_bright']
imgs = [hist_gray,hist_dark,hist_bright]
for i in range(3):
    plt.plot(imgs[i],label = labels[i])
    plt.legend()
    plt.show()


# 进行均衡化处理
gray_equ = cv2.equalizeHist(gray)
dark_equ = cv2.equalizeHist(gray_dark)
bright_equ = cv2.equalizeHist(gray_bright)
# 显示均衡化处理后的图像
cv2.imshow('gray',np.hstack((gray,gray_equ)))
cv2.imshow('gray_dark',np.hstack((gray_dark,dark_equ)))
cv2.imshow('gray_bright',np.hstack((gray_bright,bright_equ)))

# 查看做均衡化之后的直方图
hist_gray_equ = cv2.calcHist([gray_equ],[0],None,[256],[0,255])
hist_dark_equ = cv2.calcHist([dark_equ],[0],None,[256],[0,255])
hist_bright_equ = cv2.calcHist([bright_equ],[0],None,[256],[0,255])
labels = ['hist_gray_equ','hist_dark_equ','hist_bright_equ']
imgs = [hist_gray_equ,hist_dark_equ,hist_bright_equ]
for j in range(3):
    plt.plot(imgs[j],label = labels[j])
    plt.legend()
    plt.show()
    j += 1

cv2.waitKey(0)
cv2.destroyAllWindows()

附OpenCV目录：OpenCV总目录学习笔记

智科专业小白，写博文不容易，如果喜欢的话可以点个赞哦！

以上是关于OpenCV学习笔记13-图像直方图的介绍及代码实现的主要内容，如果未能解决你的问题，请参考以下文章

OpenCV学习笔记12-图像金字塔的原理及代码实现

数字图像处理：OpenCV直方图均衡算法研究及模拟实现

OpenCV 学习笔记（直方图反向投影 BackProject）

数字图像处理：OpenCV-Python中的直方图均衡知识介绍及函数equalizeHist详解

python+opencv3图像处理学习记录

python+opencv3图像处理学习记录