Python+OpenCV图像处理（八）—— 图像直方图

直方图简介：图像的直方图是用来表现图像中亮度分布的直方图,给出的是图像中某个亮度或者某个范围亮度下共有几个像素.还不明白?就是统计一幅图某个亮度像素数量.好比对于灰度值12,一幅图里面有2000 个像素其灰度值为12,那么就可以统计12这个亮度的像素为2000个,其余类推。参考：https://blog.csdn.net/xierhacker/article/details/52605308

 

1、安装matplotlib

要画直方图必需要安装matplotlib库，Matplotlib 是一个 Python 的 2D绘图库。

安装步骤：

运行cmd，而后在本身的python安装路径的Scripts文件夹目录下，输入命令： pip install matplotlib

 

2、画直方图

代码以下：

#画直方图
import cv2 as cv
from matplotlib import pyplot as plt

def plot_demo(image):
    plt.hist(image.ravel(), 256, [0, 256])         #numpy的ravel函数功能是将多维数组降为一维数组
    plt.show()

def image_hist(image):     #画三通道图像的直方图
    color = ('b', 'g', 'r')   #这里画笔颜色的值能够为大写或小写或只写首字母或大小写混合
    for i , color in enumerate(color):
        hist = cv.calcHist([image], [i], None, [256], [0, 256])  #计算直方图
        plt.plot(hist, color)
        plt.xlim([0, 256])
    plt.show()

src = cv.imread('E:/imageload/WindowsLogo.jpg')
cv.namedWindow('input_image', cv.WINDOW_NORMAL)
cv.imshow('input_image', src)

plot_demo(src)
image_hist(src)

cv.waitKey(0)
cv.destroyAllWindows()

 

运行结果：

注意：

1.numpy的ravel函数功能是将多维数组降为一维数组。参考博客：http://www.javashuo.com/article/p-qbcdgzmc-gg.html

2.matplotlib.pyplot.hist函数主要是计算直方图。

hist函数原型：hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, hold=None, data=None, **kwargs)

x参数表示是一个数组或一个序列，是指定每一个bin(箱子)分布的数据

bins参数表示指定bin(箱子)的个数,也就是总共有几条条状图

range参数表示箱子的下限和上限。即横坐标显示的范围，范围以外的将被舍弃。

参考博客：https://blog.csdn.net/u013571243/article/details/48998619

3.enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据下标和数据，通常用在 for 循环当中。

4.cv2.calcHist的原型为：calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) -> hist

images参数表示输入图像，传入时应该用中括号[ ]括起来

channels参数表示传入图像的通道，若是是灰度图像，那就不用说了，只有一个通道，值为0，若是是彩色图像（有3个通道），那么值为0,1,2,中选择一个，对应着BGR各个通道。这个值也得用[ ]传入。

mask参数表示掩膜图像。若是统计整幅图，那么为None。主要是若是要统计部分图的直方图，就得构造相应的掩膜来计算。

histSize参数表示灰度级的个数，须要中括号，好比[256]

ranges参数表示像素值的范围，一般[0,256]。此外，假如channels为[0,1],ranges为[0,256,0,180],则表明0通道范围是0-256,1通道范围0-180。

hist参数表示计算出来的直方图。

参考：https://blog.csdn.net/YZXnuaa/article/details/79231817

5.关于pyplot模块里plot()函数、xlim()函数等的用法参考：

https://blog.csdn.net/cymy001/article/details/78344316

https://blog.csdn.net/chinwuforwork/article/details/51786967

 

3、直方图的应用

代码以下：

#直方图的应用    直方图均衡化（即调整图像的对比度）   直方图即统计各像素点的频次
import cv2 as cv
#全局直方图均衡化
def eaualHist_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)    #opencv的直方图均衡化要基于单通道灰度图像
    cv.namedWindow('input_image', cv.WINDOW_NORMAL)
    cv.imshow('input_image', gray)
    dst = cv.equalizeHist(gray)                #自动调整图像对比度，把图像变得更清晰
    cv.namedWindow("eaualHist_demo", cv.WINDOW_NORMAL)
    cv.imshow("eaualHist_demo", dst)

#局部直方图均衡化
def clahe_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
    clahe = cv.createCLAHE(5, (8,8))
    dst = clahe.apply(gray)
    cv.namedWindow("clahe_demo", cv.WINDOW_NORMAL)
    cv.imshow("clahe_demo", dst)

src = cv.imread('E:/imageload/rice.png')

eaualHist_demo(src)
clahe_demo(src)

cv.waitKey(0)
cv.destroyAllWindows()

运行结果：

注意：

1.cv2.equalizeHist函数原型：equalizeHist(src[, dst]) -> dst。函数equalizeHist的做用：直方图均衡化，提升图像质量。

2.直方图均衡化:若是一副图像的像素占有不少的灰度级并且分布均匀，那么这样的图像每每有高对比度和多变的灰度色调。直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。它的基本思想是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展像元取值的动态范围，提升了对比度和灰度色调的变化，使图像更加清晰。

3.全局直方图均衡化可能获得是一种全局意义上的均衡化，可是有的时候这种操做并非很好，会把某些不应调整的部分给调整了。Opencv中还有一种直方图均衡化，它是一种局部直方图均衡化，也就是是说把整个图像分红许多小块（好比按10*10做为一个小块），那么对每一个小块进行均衡化。

4.createCLAHE函数原型：createCLAHE([, clipLimit[, tileGridSize]]) -> retval

clipLimit参数表示对比度的大小。

tileGridSize参数表示每次处理块的大小 。

5. 

clahe = cv.createCLAHE(5, (8,8))       

dst = clahe.apply(gray)      #猜想：把clahe这种局部直方图均衡化应用到灰度图gray

 

4、直方图反向投影

代码以下：

#直方图反向投影技术（经过二维直方图反映，必须先把原图像转换为hsv）
import cv2 as cv

#计算H-S直方图
def back_projection_demo():
    sample = cv.imread("E:/imageload/sample.jpg")
    target = cv.imread("E:/imageload/target.jpg")
    roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV)
    target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV)
    cv.namedWindow("sample", cv.WINDOW_NORMAL)
    cv.imshow("sample", sample)
    cv.namedWindow("target", cv.WINDOW_NORMAL)
    cv.imshow("target", target)
    roiHist = cv.calcHist([roi_hsv], [0, 1], None, [32, 30], [0, 180, 0, 256])#计算样本直方图   [32, 30]越小，效果越好
    cv.normalize(roiHist, roiHist, 0, 255, cv.NORM_MINMAX) #规划到0-255之间
    dst = cv.calcBackProject([target_hsv], [0,1], roiHist, [0, 180, 0, 256], 1) #计算反向投影
    cv.namedWindow("back_projection_demo", cv.WINDOW_NORMAL)
    cv.imshow("back_projection_demo", dst)

back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows()

 

运行结果：

注意：

1. 归一化就是要把须要处理的数据通过处理后（经过某种算法）限制在你须要的必定范围内。

归一化函数cv2.normalize原型：normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) -> dst 

src参数表示输入数组。

dst参数表示输出与src相同大小的数组，支持原地运算。

alpha参数表示range normalization模式的最小值。

beta参数表示range normalization模式的最大值，不用于norm normalization(范数归一化)模式。

norm_type参数表示归一化的类型。

norm_type参数能够有如下的取值：

NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，通常较经常使用。

NORM_INF:归一化数组的C-范数(绝对值的最大值)。

NORM_L1 ：归一化数组的L1-范数(绝对值的和)。

NORM_L2 ：归一化数组的(欧几里德)L2-范数。

参考博客：https://blog.csdn.net/solomon1558/article/details/44689611

2.反向投影用于在输入图像（一般较大）中查找特定图像（一般较小或者仅1个像素，如下将其称为模板图像）最匹配的点或者区域，也就是定位模板图像出如今输入图像的位置。

函数cv2.calcBackProject用来计算直方图反向投影。

函数原型：calcBackProject(images, channels, hist, ranges, scale[, dst]) -> dst

images参数表示输入图像（是HSV图像）。传入时应该用中括号[ ]括起来。

channels参数表示用于计算反向投影的通道列表，通道数必须与直方图维度相匹配。

hist参数表示输入的模板图像直方图。

ranges参数表示直方图中每一个维度bin的取值范围 （即每一个维度有多少个bin）。

scale参数表示可选输出反向投影的比例因子，通常取1。

参考博客：https://blog.csdn.net/keith_bb/article/details/70154219