【OpenCV图像处理10】图像直方图

十、图象直方图

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展示，是一种二维统计图表。

图像直方图是用来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。在这种直方图中，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，一张较暗图像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。

• 横坐标： 图像中各个像素点的灰度级。
• 纵坐标： 具有该灰度级的像素个数。

• 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：出现灰度级的概率。

• 直方图术语：
  • dims：需要统计的特征数目。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。

range：统计灰度值的范围，一般为 [0, 255]

2、使用OpenCV统计直方图

calcHist()用法：

cv2.calcHist(images, channels, mask, histSize, ranges, hist, accumulate)
1

参数说明：

• images：原始图像
• 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]
• accumulate：累计标识
  • 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，用于一组图像计算直方图。

代码实现：

import cv2

img = cv2.imread('../resource/lena.bmp')

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

print(hist.size)
print(hist.shape)
print(hist)
1
2
3
4
5
6
7
8
9

256
(256, 1)
[[0.000e+00]
 [1.000e+00]
 ...
1
2
3
4
5

3、使用OpenCV绘制直方图

可以利用 matplotlib 把 OpenCV 统计得到的直方图绘制出来。

1、不使用OpenCV

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('../resource/lena.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.hist(gray.ravel(), bins=256, range=[0, 255])
plt.show()
1
2
3
4
5
6
7
8

2、使用OpenCV

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('../resource/lena.bmp')

hisb = cv2.calcHist([img], [0], None, [256], [0, 255])
hisg = cv2.calcHist([img], [1], None, [256], [0, 255])
hisr = cv2.calcHist([img], [2], None, [256], [0, 255])

plt.plot(hisb, color='b', label='blue')
plt.plot(hisg, color='g', label='green')
plt.plot(hisr, color='r', label='red')
plt.legend()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

4、使用掩膜的直方图

• 掩膜

• 如何生成掩膜：
  • 先生成一个全黑的和原始图像大小一样的图像：mask = np.zeros(gray.shape, np.uint8)
  • 将想要的区域通过索引方式设置为255：mask[200:400, 200:400] = 255

代码实现：

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

img = cv2.imread('../resource/lena.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 掩膜
mask = np.zeros(gray.shape, np.uint8)
mask[200:400, 200:400] = 255

cv2.imshow('img', np.hstack((gray, mask,)))
# 与运算
cv2.imshow('mask', cv2.bitwise_and(gray, gray, mask=mask))

hist_mask = cv2.calcHist([gray], [0], mask, [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()
plt.show()

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

使用掩膜的图像：

使用掩膜的图像直方图：

5、直方图均衡化

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加图像细节。

原理：

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

equalizeHist()用法：

cv2.equalizeHist(src, dst)
1

参数说明：

• src：原始图像
• dst：目标图像，即处理结果

代码实现：

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

lena = cv2.imread('../resource/lena.bmp')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)

# lena变黑
gray_dark = gray - 40
# lena变亮
gray_bright = gray + 40

# 查看各自直方图
hist_gray = cv2.calcHist([gray], [0], None, [256], [0, 255])
hist_gray_dark = cv2.calcHist([gray_dark], [0], None, [256], [0, 255])
hist_gray_bright = cv2.calcHist([gray_bright], [0], None, [256], [0, 255])

# 画出直方图
plt.plot(hist_gray, label='gray')
plt.plot(hist_gray_dark, label='dark')
plt.plot(hist_gray_bright, label='bright')
plt.legend()
plt.show()

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

cv2.imshow('lena', np.hstack((gray, gray_dark, gray_bright)))
cv2.imshow('gray_dark', np.hstack((gray_dark, dark_equ)))
cv2.imshow('gray_bright', np.hstack((gray_bright, bright_equ)))

cv2.waitKey(0)
cv2.destroyAllWindows()
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