Python 圖像處理 OpenCV （16）：圖像直方圖

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("maliao.jpg")

cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()

plt.hist(img.ravel(), 256, [0, 256])
plt.show()

輸出結果：

當然，我們除了可以繪制灰度直方圖以外，還可以繪制出 r,g,b 不同通道的直方圖，可以看下面的代碼：

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("tiankong.jpg")
color = ('b', 'g', 'r')

cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()

for i, col in enumerate(color):
    histr = cv.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(histr, color = col)
    plt.xlim([0, 256])
plt.show()

使用 OpenCV 繪制直方圖

使用 OpenCV 繪制直方圖還是有點費勁兒的，首先我們確認橫坐標是圖像中各個像素點的灰度級，縱坐標是具有該灰度級的像素個數。

接下來要介紹幾個新概念：

BINS：

在前面的直方圖中，我們顯示的是每個像素值的像素數，即從 0 到 255 。那么現在會有一個問題，如果一個直方圖我並不想找到所有的像素數量，而是取一定范圍內的像素值，如：先找到 0 到 15 之間的像素數，然后找到 16 到 31 之間，......， 240 到 255 之間的像素數。

這樣，我們將這個直方圖分成了 16 個子部分，每個子部分的值就是其中所有像素數的總和。每個子部分都稱為 BIN 。在第一種情況下， BIN 的數量為 256 個（每個像素一個），而在第二種情況下， BIN 的數量僅為 16 個。

DIMS：

這是我們為其收集數據的參數的數量。在這種情況下，我們僅收集關於強度值的一件事的數據。所以這里是1。

RANGE：

這是要測量的強度值的范圍。通常，它是 [0,256] ，即所有強度值。

使用 OpenCV 的繪制直方圖，我們會用到一個新的函數 calcHist() ，它的原函數如下：

def calcHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None):

參數1：要計算的原圖，以方括號的傳入，如：[img]。
參數2：灰度圖寫[0]就行，彩色圖 B/G/R 分別傳入 [0]/[1]/[2] 。
參數3：要計算的區域ROI，計算整幅圖的話，寫None。
參數4：就是我們上面提到的 BINS ,子區段數目。
參數5：range，要計算的像素值范圍，一般為 [0,256] 。

接下來我們開始畫圖，首先我們需要使用 calcHist() 來查找整個圖像的直方圖。

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("tiankong.jpg")
# 參數:原圖像 通道[0]-B 掩碼 BINS為256 像素范圍0-255
histB = cv.calcHist([img], [0], None, [256], [0, 255])
histG = cv.calcHist([img], [1], None, [256], [0, 255])
histR = cv.calcHist([img], [2], None, [256], [0, 255])

cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()

plt.plot(histB, color='b')
plt.plot(histG, color='g')
plt.plot(histR, color='r')
plt.show()

直方圖均衡化

一副效果好的圖像通常在直方圖上的分布比較均勻，直方圖均衡化就是用來改善圖像的全局亮度和對比度。

灰度圖均衡，直接使用 equalizeHist() 函數。
彩色圖均衡，分別在不同的通道均衡后合並。

示例代碼如下：

import cv2 as cv
import numpy as np

img = cv.imread("dahai.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 灰度圖均衡化
equ = cv.equalizeHist(gray)
# 水平拼接原圖和均衡圖
result1 = np.hstack((gray, equ))
cv.imwrite('grey_equ.png', result1)

# 彩色圖像均衡化,需要分解通道 對每一個通道均衡化
(b, g, r) = cv.split(img)
bH = cv.equalizeHist(b)
gH = cv.equalizeHist(g)
rH = cv.equalizeHist(r)
# 合並每一個通道
equ2 = cv.merge((bH, gH, rH))
# 水平拼接原圖和均衡圖
result2 = np.hstack((img, equ2))
cv.imwrite('bgr_equ.png', result2)

結果：

自適應直方圖均衡

上面介紹的直方圖均值化是針對整幅圖片的，這樣有好處也有不好的地方，會導致一些圖片部位太亮，導致大部分細節丟失。如下面這兩張圖片：

直方圖均衡后，背景對比度確實得到了改善。但是在兩個圖像中比較雕像的臉,由於亮度過高，丟失了大多數信息。

因此，為了解決這個問題，引入了 自適應直方圖均衡 來解決這個問題。

它在每一個小區域內（默認 8×8 ）進行直方圖均衡化。當然，如果有噪點的話，噪點會被放大，需要對小區域內的對比度進行了限制。

import cv2 as cv
import numpy as np

img = cv.imread('clahe_src.jpg', 0)

# 全局直方圖均衡
equ = cv.equalizeHist(img)

# 自適應直方圖均衡
clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8, 8))
cl1 = clahe.apply(img)

# 水平拼接三張圖像
result1 = np.hstack((img, equ, cl1))

cv.imwrite('clahe_result.jpg', result1)

參考

https://blog.csdn.net/Eastmount/article/details/83758402

http://www.woshicver.com/FifthSection/4_10_1_直方圖-1：查找，繪制，分析/

https://zhuanlan.zhihu.com/p/61879400

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 Python+OpenCV圖像處理（八）—— 圖像直方圖 Python+OpenCV圖像處理之圖像直方圖【圖像處理】基於OpenCV實現圖像直方圖的原理【轉】OpenCV圖像處理圖像的點運算 ( 灰度直方圖 ) Python圖像處理--直方圖，高斯濾波，直方圖均衡化 opencv6.4-imgproc圖像處理模塊之直方圖與模板 OpenCV圖像處理 Opencv 圖像處理 python+opencv圖像處理（一） python--openCV--圖像處理