[人工智能]OpenCV直方图

直方图的介绍

• 在OpenCV中，我们可以使用直方图对我们图像的像素点进行统计操作。像素点的区间0-255也就是直方图的横坐标，像素点的个数也就是直方图的纵坐标。

• 通常我们会使用cv2.calcHist(images,channels,mask,histSize,ranges)函数。

  • images: 原图像图像格式为 uint8 或 ?oat32。当传入函数时应 用中括号 [] 括来例如[img]
  • channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
  • mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
  • histSize:BIN 的数目，也使用中括号。
  • ranges: 像素值范围常为 [0-256]。

• 代码示例

img = cv2.imread('cat.jpg',0) #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape
(256, 1)
plt.hist(img.ravel(),256); 
plt.show()

• 三个颜色通道所呈现的直方图统计

img = cv2.imread('cat.jpg') 
color = ('b','g','r')
for i,col in enumerate(color): 
    histr = cv2.calcHist([img],[i],None,[256],[0,256]) 
    plt.plot(histr,color = col) 
    plt.xlim([0,256]) 

• mask掩码操作

# 创建mask
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
#保存什么值就把什么值设为255
mask[100:300, 100:400] = 255
#与操作
masked_img = cv2.bitwise_and(img, img, mask=mask)
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.xlim([0, 256])
plt.show()

直方图均衡化

均衡化原理

• 直方图均衡化原理：统计出来的像素点的值之间的差距比较大，我们需要缩小像各个像素点之间的值得差距，这就叫均衡化。具体示例见下图：
  
• 左上表格为原始的像素值，右上表格是均衡化之后的像素值。具体实现为下面的表格。
• 计算步骤首先计算出各个像素点的概率值，计算出累计概率，然后通过映射函数计算出灰度值，最后取整就得到均衡化之后的结果。

均衡化操作

• 在OpenCV中如何实现均衡化呢？这里我们使用cv2.equalizeHist(img) 这个函数，具体代码实现如下：

#均衡化前
img = cv2.imread('clahe.jpg',0) #0表示灰度图 #clahe
plt.hist(img.ravel(),256); 
plt.show()

#均衡化后
equ = cv2.equalizeHist(img) 
plt.hist(equ.ravel(),256)
plt.show()

• 均衡化图片前后对比

res = np.hstack((img,equ))
cv_show(res,'res')

• 虽然图片变亮眼了，但是却丢失了一些细节。我们可以使用自适应均衡化的操作，例如将图片分格之后进行均衡化操作。代码如下：

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) 
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show(res,'res')