【python】OpenCV—Histogram（9.1）

学习参考来自

• Python下opencv使用笔记（九）（图像直方图）

更多学习笔记可以参考

• 【python】OpenCV—RGB（1）
• 【python】OpenCV—Rectangle, Circle, Selective Search（1.2）
• 【python】OpenCV—Blur, Threshold, Gradient, Morphology（2）
• 【python】OpenCV—Edge, Corner, Face Detection（3）
• 【python】OpenCV—findContours（4）
• 【python】OpenCV—Video to Imag / Image to Video（5）
• 【python】OpenCV—Brightness and Contrast adjustments（6）
• 【python】OpenCV—Data Augmentation（7）
• 【python】OpenCV—Image Pyramid（8）

---

1、直方图

直方图可以清晰了解图像的整体灰度分布，先看看 opencv 中的接口

cv2.calcHist()
- 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。

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

img = cv2.imread('2.jpg', 0)  #直接读为灰度图像


# 法一：opencv方法读取-cv2.calcHist（速度最快）
hist_cv = cv2.calcHist([img], [0], None, [256], [0, 256])

# 法二：numpy方法读取-np.histogram()
hist_np, bins = np.histogram(img.ravel(), 256, [0, 256])

# 法三：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.title("cv2.calcHist")
plt.subplot(223), plt.plot(hist_np), plt.title("np.histogram")
plt.subplot(224), plt.plot(hist_np2), plt.title("np.bincount")
plt.show()

原图

不同接口计算得到的直方图

2、局部图片区域的直方图

加个 mask 对比看看

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

img = cv2.imread('2.jpg', 0)
mask = np.zeros(img.shape[:2], np.uint8)
mask[25:185, 265:412] = 255
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.show()

蓝色是全图的，黄色是 mask 后的

3、全局直方图均衡化

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。

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('2.jpg', 0)
res = cv2.equalizeHist(img)

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

上述的直方图均衡化是一种全局意义上的均衡化

---

下面尝试自己实现下直方图均衡化

5 个有趣的 Python 脚本

# encoding=utf-8
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import os.path
# 读取图片
img_path = "./1.jpeg"
img = Image.open(img_path)

# 图像转化为numpy数组
img = np.asarray(img)
flat = img.flatten()

# 创建函数
def get_histogram(image, bins):
    # array with size of bins, set to zeros
    histogram = np.zeros(bins)
    # loop through pixels and sum up counts of pixels
    for pixel in image:
        histogram[pixel] += 1
    # return our final result
    return histogram

# execute our histogram function
hist = get_histogram(flat, 256)  # (256,)

# execute the fn
cs = np.cumsum(hist)  # (256,) 计算累计和

# numerator & denomenator
nj = (cs - cs.min()) * 255  # 减去最小值乘以 255
N = cs.max() - cs.min()

# re-normalize the cumsum
cs = nj / N  # 最大值最小值归一化到 0-255 之间

# cast it back to uint8 since we can't use floating point values in images
cs = cs.astype('uint8')

# get the value from cumulative sum for every index in flat, and set that as img_new
img_new = cs[flat]

# put array back into original shape since we flattened it
img_new = np.reshape(img_new, img.shape)

# set up side-by-side image display
fig = plt.figure()
fig.set_figheight(15)
fig.set_figwidth(15)

# display the real image
fig.add_subplot(1, 2, 1)
plt.imshow(img, cmap='gray')
plt.title("Image 'Before' Contrast Adjustment")
plt.axis("off")

# display the new image
fig.add_subplot(1, 2, 2)
plt.imshow(img_new, cmap='gray')
plt.title("Image 'After' Contrast Adjustment")
plt.axis("off")

plt.show()

输入图片

4、局部直方图均衡化

下面看看局部均衡化

cv2. createCLAHE()
- clipLimit：颜色对比度的阈值，可选项，默认值 8
- titleGridSize：局部直方图均衡化的模板（邻域）大小，可选项，默认值 (8,8)

消融下 titleGridSize， 10，20，50

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('2.jpg', 0)
cl0 = cv2.createCLAHE(clipLimit=2, tileGridSize=(10, 10)).apply(img)
c20 = cv2.createCLAHE(clipLimit=2, tileGridSize=(20, 20)).apply(img)
c50 = cv2.createCLAHE(clipLimit=2, tileGridSize=(50, 50)).apply(img)

plt.subplot(221), plt.imshow(img, 'gray'), plt.title("ori")
plt.subplot(222), plt.imshow(cl0, 'gray'), plt.title("CLAHE 10")
plt.subplot(223), plt.imshow(c20, 'gray'), plt.title("CLAHE 20")
plt.subplot(224), plt.imshow(c50, 'gray'), plt.title("CLAHE 50")
plt.show()

消融下 clipLimit， 2， 4，6

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('2.jpg', 0)
c2 = cv2.createCLAHE(clipLimit=2, tileGridSize=(10, 10)).apply(img)
c4 = cv2.createCLAHE(clipLimit=4, tileGridSize=(10, 10)).apply(img)
c6 = cv2.createCLAHE(clipLimit=6, tileGridSize=(10, 10)).apply(img)

plt.subplot(221), plt.imshow(img, 'gray'), plt.title("ori")
plt.subplot(222), plt.imshow(c2, 'gray'), plt.title("clipLimit 2")
plt.subplot(223), plt.imshow(c4, 'gray'), plt.title("clipLimit 4")
plt.subplot(224), plt.imshow(c6, 'gray'), plt.title("clipLimit 6")
plt.show()