opencv2——直方图5

（一）图像直方图

图像的构成是有像素点构成的，每个像素点的值代表着该点的颜色（灰度图或者彩色图）。所谓直方图就是对图像的中的这些像素点的值进行统计，得到一个统一的整体的灰度概念。直方图的好处就在于可以清晰了解图像的整体灰度分布，这对于后面依据直方图处理图像来说至关重要。

一般情况下直方图都是灰度图像，直方图x轴是灰度值（一般0~255），y轴就是图像中每一个灰度级对应的像素点的个数。

那么如何获得图像的直方图？首先来了解绘制直方图需要的一些量：灰度级，正常情况下就是0-255共256个灰度级，从最黑一直到最亮（白）（也有可能统计其中的某部分灰度范围），那么每一个灰度级对应一个数来储存该灰度对应的点数目。也就是说直方图其实就是一个1*m（灰度级）的一个数组而已。但是有的时候我们不希望一个一个灰度的递增，比如现在我想15个灰度一起作为一个灰度级来花直方图，这个时候我们可能只需要1*(m/15)这样一个数组就够了。那么这里的15就是直方图的间隔宽度了。

Opencv给我们提供的函数是cv2.calcHist()，该函数有5个参数：

image输入图像，传入时应该用中括号[]括起来
channels:：传入图像的通道，如果是灰度图像，那就不用说了，只有一个通道，值为0，如果是彩色图像（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：掩膜图像。如果统计整幅图，那么为none。主要是如果要统计部分图的直方图，就得构造相应的炎掩膜来计算。
histSize：灰度级的个数，需要中括号，比如[256]
ranges:像素值的范围，通常[0,256]，有的图像如果不是0-256，比如说你来回各种变换导致像素值负值、很大，则需要调整后才可以。
除此之外，强大的numpy也有函数用于统计直方图的，通用的一个函数np.histogram,还有一个函数是np.bincount()（用于以为统计直方图，速度更快）。这三个方式的传入参数基本上差不多，不同的是opencv自带的需要中括号括起来。
对于直方图的显示也是比较简单的，直接plt.plot()就可以。一个实例如下：

 import cv2
 import numpy as np
 import matplotlib.pyplot as plt
 img = cv2.imread('test.jpg', 0)  # 直接读为灰度图像

 # opencv方法读取-cv2.calcHist（速度最快）
 # 图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围
 hist_cv = cv2.calcHist([img], [0], None, [256], [0, 256])

 # numpy方法读取-np.histogram()
 hist_np, bins = np.histogram(img.ravel(), 256, [0, 256])

 # numpy的另一种方法读取-np.bincount()（速度=10倍法2）
 hist_np2 = np.bincount(img.ravel(), minlength=256)

 plt.subplot(221), plt.imshow(img, 'gray')
 plt.subplot(222), plt.plot(hist_cv)
 plt.subplot(223), plt.plot(hist_np)
 plt.subplot(224),plt.plot(hist_np2)
 plt.show()

执行结果：

现在来考虑opencv的直方图函数中掩膜的使用，这个掩膜就是一个区域大小，表示你接下来的直方图统计就是这个区域的像素统计。一个例子如下：

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

 img = cv2.imread('test.jpg', 0)  # 直接读为灰度图像
 mask = np.zeros(img.shape[:2], np.uint8)
 mask[100:200, 100:200] = 255
 masked_img = cv2.bitwise_and(img, img, mask=mask)

 # opencv方法读取-cv2.calcHist（速度最快）
 # 图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围
 hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])

 hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])

 plt.subplot(221), plt.imshow(img, 'gray')
 plt.subplot(222), plt.imshow(mask, 'gray')
 plt.subplot(223), plt.imshow(masked_img, 'gray')
 plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
 plt.show()

执行结果：

（二）直方图均衡化

图像的直方图是对图像对比度效果上的一种处理，旨在使得图像整体效果均匀，黑与白之间的各个像素级之间的点更均匀一点。
直方图均衡化只要包括三个步骤：

1、统计直方图中每个灰度级出现的次数；
2、计算累计归一化直方图；
3、重新计算像素点的像素值；
关于原理的详细部分给一个参考：

直方图均衡化原理

百度百科的解释也很棒

http://baike.baidu.com/link?url=RUjahehgkTMDGKwAEyMsHyeMyWWTw9a0KUx2CzLbXtxdZyoF6zqDbJsfEffUQYAwvr7kD9p6cbOxJGYGk1nkZq

在opencv有专门函数对直方图进行均衡化使用的函数就是cv2.equalizeHist().一个实例如：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0) #直接读为灰度图像
res = cv2.equalizeHist(img)

plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(res,'gray')

上述的直方图均衡化可以可能到是一种全局意义上的均衡化，但是有的时候这种操作并不是很好，会把某些不该调整的部分给调整了。Opencv中还有一种直方图均衡化，它是一种局部局部来的均衡化，也就是是说把整个图像分成许多小块（比如按10*10作为一个小块），那么对每个小块进行均衡化。这种方法主要对于图像直方图不是那么单一的（比如存在多峰情况）图像比较实用。Opencv中将这种方法称之为CLAHE，使用到的函数就是cv2.createCLAHE()，一个实例如下：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0) #直接读为灰度图像
clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))
cl1 = clahe.apply(img)

plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(cl1,'gray')

可以看到，相对于全局的直方图均衡化，这个局部的均衡化似乎得到的效果更自然一点。
————————————————
版权声明：本文为CSDN博主「on2way」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/on2way/article/details/46881599

1