OpenCV直方图的原理与显示、掩膜、均衡化、自适应均衡化

直方图在数字图像处理和计算机视觉中扮演着至关重要的角色，用于分析和改进图像的质量和对比度。OpenCV为处理直方图提供了丰富的功能和函数，包括直方图的计算、显示、掩膜、均衡化和自适应均衡化等操作。在本文中，我们将深入探讨这些操作的原理，以便更好地理解它们的作用和应用。
直方图的原理

直方图是一种统计工具，用于描述图像中像素值的分布情况。它以图形的方式表示不同像素值的频率或出现次数。直方图的横轴通常代表像素值，而纵轴表示该像素值的出现频率或概率。

直方图的计算包括以下步骤：

图像灰度化：将彩色图像转换为灰度图像，以便更容易处理。
像素值统计：遍历图像的每个像素，将其像素值加入到相应像素值的计数器中。
归一化：将计数器中的像素值频率转化为概率分布，通常通过除以总像素数来实现。
1
2
3

通过分析直方图，我们可以了解图像的对比度、亮度和颜色分布等信息，这对于后续的图像处理非常有用。
直方图的显示

直方图的显示是一种可视化工具，通过绘制直方图来呈现图像的灰度分布。在OpenCV中，可以使用Matplotlib等绘图库来显示直方图。直方图的横轴表示像素值，纵轴表示像素值的频率或概率。通过查看直方图，我们可以快速了解图像的亮度和对比度情况。
直方图均衡化

直方图均衡化是一种用于改善图像对比度的方法。其原理是通过重新分配像素值，使得像素值更均匀地分布在整个范围内，从而增强了图像的对比度。

直方图均衡化的步骤包括：

计算原始图像的直方图。
计算累积分布函数（CDF），该函数将像素值映射到新的值。
使用CDF将图像的每个像素值映射到均衡化后的值。
1
2
3

这一过程可使图像的整体对比度得到改善，特别是在像素值分布不均匀的情况下，对比度的提升效果显著。
直方图均衡化的应用

直方图均衡化在许多图像处理任务中都具有广泛的应用，包括：

图像增强：通过提高图像的对比度，使细节更清晰可见。
图像预处理：在图像分割、物体识别和目标跟踪等任务中，提高图像的质量。
医学图像处理：用于改进X射线、MRI和CT扫描等医学图像。
遥感图像处理：用于改善卫星图像和空中图像，以便更好地进行地物检测和地理信息系统（GIS）应用。
1
2
3
4

直方图均衡化的局限性

虽然直方图均衡化在许多情况下非常有效，但它也存在一些局限性：

有可能导致噪声增加：在像素值分布较宽的图像上，均衡化可能会增加噪声的可见性。
不适用于所有图像：对于已经有很好对比度的图像，均衡化可能不会带来明显的改善。
均衡化是全局操作：它忽略了图像的局部特征，因此不适合所有应用。
1
2
3

直方图均衡化与自适应均衡化

自适应均衡化是一种改进的直方图均衡化方法，它考虑了图像的局部特征。自适应均衡化的思想是将图像分成小块，并对每个小块进行均衡化，而不是对整个图像进行处理。这有助于保留图像的局部对比度，并避免全局均衡化可能引入的问题。

自适应均衡化的步骤包括：

将图像分成多个不重叠的区域或块。
对每个块进行均衡化，可以使用上述直方图均衡化方法。
最后，将所有块合并以获得自适应均衡化后的图像。
1
2
3

自适应均衡化更适合那些局部对比度差异较大的图像，但也需要更多的计算资源。
结论

直方图是图像处理和计算机视觉中的重要工具，用于分析和改善图像的对比度和亮度。OpenCV提供了各种直方图相关的功能，包括计算、显示、掩膜、均衡化和自适应均衡化。这些技术可以应用于许多领域，从图像增强到医学图像处理，以提高图像

直方图

1 灰度直方图

1.1直方图的绘制和计算

代码实现

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

#直接以灰度图的方式读入

img =cv.imread("lena.png",0)

#统计灰度图
histr = cv.calcHist([img],[0],None,[256],[0,256])
'''
 使用 OpenCV 的 calcHist 函数计算灰度图像的直方图。calcHist 函数接受以下参数：
[img]：需要计算直方图的图像，以列表形式传递。
[0]：指定通道的索引，因为我们处理的是灰度图像，所以只有一个通道，索引为 0。
None：用于指定掩码，通常不需要使用，所以设为 None。
[256]：指定直方图的大小，这里表示直方图有 256 个 bin，范围从 0 到 255。
[0, 256]：指定像素值的范围，这里表示所有像素值都在 0 到 255 的范围内。 
函数的返回值 histr 是一个包含直方图统计数据的数组。
'''
#绘制灰度图
plt.figure(figsize=(10,6),dpi=100)
'''指定画布的大小为 10x6 英寸，分辨率为 100dpi。'''
plt.plot(histr)
'''绘制直方图，将 histr 数组作为参数传递给 plot 函数。这将绘制一个包含灰度直方图统计数据的折线图'''
plt.grid()
'''添加网格线，提高图像的可读性'''
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

结果展示

2 掩膜的应用

2.1代码实现`

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

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']

img = cv.imread("lena.png",0)

#创建蒙版
mask = np.zeros(img.shape[:2],np.uint8)    #创建一个与图像大小相同的空白蒙版，数据类型为 uint8
mask[100:256,100:256]=255    #在蒙版上设置感兴趣区域，将其中的像素值设为 255。

#掩膜
mask_img = cv.bitwise_and(img ,img,mask=mask)  #函数对原图像和蒙版进行位与操作，得到掩膜后的图像
#统计掩膜后图像灰度图
mask_histr = cv.calcHist([img],[0],mask,[256],[1,256])   # 函数计算掩膜后图像的灰度直方图。这里传入了掩膜参数 mask，只统计蒙版区域内的像素

#图像显示
fig,axes = plt.subplots(nrows=2,ncols=2,figsize=(5,4))
axes[0,0].imshow(img,cmap=plt.cm.gray)   #在第一个子图中展示原图像，使用灰度色彩映射 plt.cm.gray
axes[0,0].set_title("原图")

axes[0,1].imshow(mask,cmap=plt.cm.gray)
axes[0,1].set_title("蒙版数据")

axes[1,0].imshow(mask_img,cmap=plt.cm.gray)
axes[1,0].set_title("掩膜后数据")

axes[1,1].plot(mask_histr)   #在第四个子图中绘制掩膜后图像的灰度直方图
axes[1,1].grid()  #添加网格线，提高图像的可读性。
axes[1,1].set_title("灰度直方图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

2.2 结果展示

3 直方图均衡化

它通过重新分布图像的灰度级别，使得图像中各个灰度级别的像素值在整个范围内均匀分布，从而提高图像的视觉效果。

直方图均衡化的作用包括：

增强图像对比度：直方图均衡化可以拉伸原始图像中各个灰度级别的像素值，使得图像中的亮度变化更加明显，从而增强了图像的对比度。

增强细节信息：直方图均衡化能够提高图像中低对比度区域的像素值，使得细节更加清晰可见。这对于图像分析和图像识别任务非常有用。

去除背景噪声：直方图均衡化可以调整图像的灰度级别分布，使得背景噪声的影响减小。这对于一些需要提取目标物体的应用场景非常有效。

增强图像的视觉效果：直方图均衡化可以使图像的整体视觉效果更加鲜明、生动，提高图像的观赏性。

3.1代码实现

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']

#直接以灰度图方式读入
img = cv.imread("lena.png",0)
histr_1 = cv.calcHist([img],[0],None,[256],[0,256])

#均衡化处理
dst = cv.equalizeHist(img)

histr_2 = cv.calcHist([dst],[0],None,[256],[0,256])

#显示
fig,axes = plt.subplots(nrows=2,ncols=2,figsize=(5,4),dpi=100)

axes[0,0].imshow(img,cmap=plt.cm.gray)
axes[0,0].set_title("原图")
axes[0,1].plot(histr_1)
axes[0,1].grid()
axes[0,1].set_title("原图-灰度直方图")

axes[1,0].imshow(dst,cmap=plt.cm.gray)
axes[1,0].set_title("均衡化结果")
axes[1,1].plot(histr_2)
axes[1,1].grid()
axes[1,1].set_title("均衡化直方图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

3.2结果展示

4自适应均衡化

4.1 代码实现

import matplotlib.pyplot as plt
import numpy as np
import cv2 as cv
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']

img = cv.imread("lena.png",0)

#创建一个自适应均衡化对象，并应用于图像
clahe = cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8)) #clipLimit 参数指定了对比度限制，tileGridSize 参数指定了图像划分的网格大小
cl1 = clahe.apply(img)  #将自适应均衡化应用于图像 img，并将结果保存在变量 cl1

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=2,figsize=(5,4),dpi=100)
axes[0].imshow(img,cmap=plt.cm.gray)
axes[0].set_title("原图")
axes[1].imshow(cl1,cmap=plt.cm.gray)
axes[1].set_title("自适应均衡化结果")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

4.2运行结果