Python 图像处理 OpenCV （16）：图像直方图

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python 图像处理 OpenCV （16）：图像直方图，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6172字，纯文字阅读大概需要9分钟。

内容图文

前文传送门：

「Python 图像处理 OpenCV （1）：入门」

「Python 图像处理 OpenCV （2）：像素处理与 Numpy 操作以及 Matplotlib 显示图像」

「Python 图像处理 OpenCV （3）：图像属性、图像感兴趣 ROI 区域及通道处理」

「Python 图像处理 OpenCV （4）：图像算数运算以及修改颜色空间」

「Python 图像处理 OpenCV （5）：图像的几何变换」

「Python 图像处理 OpenCV （6）：图像的阈值处理」

「Python 图像处理 OpenCV （7）：图像平滑（滤波）处理」

「Python 图像处理 OpenCV （8）：图像腐蚀与图像膨胀」

「Python 图像处理 OpenCV （9）：图像处理形态学开运算、闭运算以及梯度运算」

「Python 图像处理 OpenCV （10）：图像处理形态学之顶帽运算与黑帽运算」

「Python 图像处理 OpenCV （11）：Canny 算子边缘检测技术」

「Python 图像处理 OpenCV （12）： Roberts 算子、 Prewitt 算子、 Sobel 算子和 Laplacian 算子边缘检测技术」

「Python 图像处理 OpenCV （13）： Scharr 算子和 LOG 算子边缘检测技术」

「Python 图像处理 OpenCV （14）：图像金字塔」

「Python 图像处理 OpenCV （15）：图像轮廓」

直方图

首先，第一个问题是什么是直方图？

直方图这个应该都知道吧，不知道的话就是下面这玩意：

那么图像灰度直方图是什么鬼？

直方图是都是由横纵坐标组成的，而图像直方图的横坐标 X 轴上表示的是像素值（不总是从 0 到 255 的范围），在纵坐标 Y 轴上表示的相应像素数。

所以，直方图是可以对整幅图的灰度分布进行整体了解的图示，通过直方图我们可以对图像的对比度、亮度和灰度分布等有一个直观了解。

还没看懂？简单地说，就是把一幅图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来，就是灰度直方图。

上面这张图来自官方网站，在这张图中，我们可以得到如下信息：

• 左侧区域显示图像中较暗像素的数量（左侧的灰度级更趋近于 0 ）。
• 右侧区域则显示明亮像素的数量（右侧的灰度级更趋近于 255）。
• 暗区域多于亮区域，而中间调的数量（中间值的像素值，例如127附近）则非常少。

绘制直方图

在绘制直方图的时候，有两种方法：

1. 使用 Matplotlib 绘图功能。
2. 使用 OpenCV 绘图功能。

使用 Matplotlib 绘图

Matplotlib 带有一个强大的直方图绘图功能：matplotlib.pyplot.hist() ，这个方法可以直接找到直方图进行绘制。

在看示例代码之前，有两个参数需要先介绍下：

• 数据源：数据源必须是一维数组，通常需要通过函数 ravel() 拉直图像，而函数 ravel() 的作用是将多维数组降为一维数组。
• 像素级：一般是 256 ，表示 [0, 255] 。

代码实现：

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()

输出结果：

当然，我们除了可以绘制灰度直方图以外，还可以绘制出 r,g,b 不同通道的直方图，可以看下面的代码：

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 绘制直方图

使用 OpenCV 绘制直方图还是有点费劲儿的，首先我们确认横坐标是图像中各个像素点的灰度级，纵坐标是具有该灰度级的像素个数。

接下来要介绍几个新概念：

BINS：

在前面的直方图中，我们显示的是每个像素值的像素数，即从 0 到 255 。那么现在会有一个问题，如果一个直方图我并不想找到所有的像素数量，而是取一定范围内的像素值，如：先找到 0 到 15 之间的像素数，然后找到 16 到 31 之间，......， 240 到 255 之间的像素数。

这样，我们将这个直方图分成了 16 个子部分，每个子部分的值就是其中所有像素数的总和。每个子部分都称为 BIN 。在第一种情况下， BIN 的数量为 256 个（每个像素一个），而在第二种情况下， BIN 的数量仅为 16 个。

DIMS：

这是我们为其收集数据的参数的数量。在这种情况下，我们仅收集关于强度值的一件事的数据。所以这里是1。

RANGE：

这是要测量的强度值的范围。通常，它是 [0,256] ，即所有强度值。

使用 OpenCV 的绘制直方图，我们会用到一个新的函数 calcHist() ，它的原函数如下：

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

• 参数1：要计算的原图，以方括号的传入，如：[img]。
• 参数2：灰度图写[0]就行，彩色图 B/G/R 分别传入 [0]/[1]/[2] 。
• 参数3：要计算的区域ROI，计算整幅图的话，写None。
• 参数4：就是我们上面提到的 BINS ,子区段数目。
• 参数5：range，要计算的像素值范围，一般为 [0,256] 。

接下来我们开始画图，首先我们需要使用 calcHist() 来查找整个图像的直方图。

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("tiankong.jpg")
# 参数:原图像 通道[0]-B 掩码 BINS为256 像素范围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()

直方图均衡化

一副效果好的图像通常在直方图上的分布比较均匀，直方图均衡化就是用来改善图像的全局亮度和对比度。

• 灰度图均衡，直接使用 equalizeHist() 函数。
• 彩色图均衡，分别在不同的通道均衡后合并。

示例代码如下：

import cv2 as cv
import numpy as np

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

# 灰度图均衡化
equ = cv.equalizeHist(gray)
# 水平拼接原图和均衡图
result1 = np.hstack((gray, equ))
cv.imwrite('grey_equ.png', result1)

# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv.split(img)
bH = cv.equalizeHist(b)
gH = cv.equalizeHist(g)
rH = cv.equalizeHist(r)
# 合并每一个通道
equ2 = cv.merge((bH, gH, rH))
# 水平拼接原图和均衡图
result2 = np.hstack((img, equ2))
cv.imwrite('bgr_equ.png', result2)

结果：

自适应直方图均衡

上面介绍的直方图均值化是针对整幅图片的，这样有好处也有不好的地方，会导致一些图片部位太亮，导致大部分细节丢失。如下面这两张图片：

直方图均衡后，背景对比度确实得到了改善。但是在两个图像中比较雕像的脸,由于亮度过高，丢失了大多数信息。

因此，为了解决这个问题，引入了 自适应直方图均衡 来解决这个问题。

它在每一个小区域内（默认 8×8 ）进行直方图均衡化。当然，如果有噪点的话，噪点会被放大，需要对小区域内的对比度进行了限制。

import cv2 as cv
import numpy as np

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

# 全局直方图均衡
equ = cv.equalizeHist(img)

# 自适应直方图均衡
clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8, 8))
cl1 = clahe.apply(img)

# 水平拼接三张图像
result1 = np.hstack((img, equ, cl1))

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

参考

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

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

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

内容总结

以上是互联网集市为您收集整理的Python 图像处理 OpenCV （16）：图像直方图全部内容，希望文章能够帮你解决Python 图像处理 OpenCV （16）：图像直方图所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端