OpenCV学习笔记17-直方图

1.什么是直方图

通过直方图你可以对整幅图像的灰度分布有一个整体的了解。

• 直方图的x轴是灰度值（0到255），y轴是图片中具有同一个灰度值的点的数目；
• 直方图是根据灰度图像绘制的，而不是彩色图像。

---

关于上面这幅图片和它的直方图：直方图的左侧是暗一点的像素数量，右侧是亮一点的像素数量。从这幅图上你可以看到灰暗区域比亮区域要大，而处于中间部分的像素点很少。

---

2.统计直方图

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) -> hist

• images：[]，原图像（图像格式为 uint8 或 float32）；
• channels：[]，表示选择一个通道来计算。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像，传入的参数可以是 [0]， [1]， [2] 它们分别对应着通道 B， G， R。
• mask：掩模图像。要统计整幅图像的直方图就把它设为 None。但如果统计图像某一部分的直方图的话，需要制作一个掩模图像，并使用它。
• histSize：[]，BIN的数目；
• ranges：[]，像素值范围，通常为 [0，256]。
• hist：输出数组，[histSize x 1]，每一个值代表了与之灰度值对应的像素点数目。

---

3.绘制直方图

使用 Matplotlib 中的绘图函数

（1）plt.hist()可以直接统计并绘制直方图

---

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

img = cv2.imread('1.png', 0)
plt.hist(img.ravel(), 256, [0,256])  #统计并绘制直方图
plt.show()

---

（2）opencv函数统计直方图+matplotlib的绘图功能

这在同时绘制多通道（BGR）的直方图，很有用。

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

img = cv2.imread('1.png')
color = ('b','g','r')

#对一个列表或数组既要遍历索引又要遍历元素时，使用enumerate()函数
#enumerate()将数组或列表组成一个索引序列，既有索引又有元素
for i,col in enumerate(color):
    histr = cv2.calcHist([img], [i], None, [256], [0,256])
    plt.plot(histr, color = col)
    plt.xlim([0,256])
plt.show()

从上边的直方图可以推断出：蓝色曲线靠右侧的最多（很明显这些就是天空）

---

（3）使用掩膜

统计图像某个局部区域的直方图，需要构建一副掩模图像。将要统计的部分设置成白色，其余部分为黑色，就构成了一副掩模图像。然后把掩模图像传给函数就可以了。

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

img = cv2.imread('1.png', 0)

#创建一个mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv2.bitwise_and(img, img, mask=mask)

#统计无mask和有mask的直方图
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, cmap='gray')
plt.subplot(222), plt.imshow(mask, cmap='gray')
plt.subplot(223), plt.imshow(masked_img, cmap='gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0,256])

plt.show()

其中蓝线是整幅图像的直方图，绿线是进行掩模之后的直方图。

---

4.直方图均衡化

作用：把直方图做一个横向拉伸，改善图像的对比度。

cv2.equalizeHist(src[, dst]) -> dst

• src：输入图片，是一副灰度图像；
• dst：输出结果，直方图均衡化之后的图像。

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

img = cv2.imread('3.png', 0)
equ = cv2.equalizeHist(img)
res = np.hstack((img, equ))  #stacking images side-by-side

cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

5.有限对比适应性直方图均衡化（CLAHE）

（1）自适应的直方图均衡化：

• 整幅图像会被分成很多小块，这些小块被称为“tiles”（OpenCV中tiles的大小默认是8x8），然后再对每一个小块分别进行直方图均衡化。
• 优点：该算法更适合于改进图像的局部对比度以及获得更多的图像细节。
• 缺点：如果有噪声的话，噪声会被放大。

（2）有限对比适应性直方图均衡化（CLAHE）：

• 为了避免放大噪声这种情况的出现，在自适应的直方图均衡化的基础上，使用对比度限制。
• 对于每个小块来说，如果直方图中的bin超过对比度的上限的话，就把其中的像素点均匀分散到其他 bins 中，然后在进行直方图均衡化。
• 最后，为了去除每一个小块之间“人造的”（由于算法造成）边界，再使用双线性差值，对小块进行缝合。

cv2.createCLAHE([, clipLimit[, tileGridSize]]) -> retval

• clipLimit代表裁剪限幅的大小
• tileGridSize代表局部区域的大小

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

img = cv2.imread('3.png', 0)

#create a CLAHE object
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cll = clahe.apply(img)

cv2.imshow('img', img)
cv2.imshow('cll', cll)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图




有限对比适应性直方图均衡化（CLAHE）




整体直方图均衡化

---