Opencv_Python 官方教程 第17章 直方图

使用 OpenCV 自带函数绘制直方图比较麻烦

直方图的计算,绘制与分析

目标
• 使用 OpenCV 或 Numpy 函数计算直方图
• 使用 Opencv 或者 Matplotlib 函数绘制直方图
• 将要学习的函数有：cv2.calcHist()，np.histogram()
直方图是根据灰度图像绘制的，而不是彩色图像

统计直方图

• BINS每个特征空间 子区段 的数目
• DIMS 需要统计的特征的数目， 在上例中， dims = 1 因为我们仅仅统计了灰度值(灰度图像)。
• RANGE 每个特征空间的取值范围，在上例中，

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

• images: 原图像（图像格式为 uint8 或 float32）。当传入函数时应该用中括号 [] 括起来，例如：[img]。
• channels: 同样需要用中括号括起来，它会告诉函数我们要统计那幅图像的直方图。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，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。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。
• histSize:BIN 的数目。也应该用中括号括起来，
• ranges: 像素值范围，通常为 [0，256]

img = cv2.imread('a.jpg',cv2.IMREAD_GRAYSCALE)
# 别忘了中括号 [img],[0],None,[256],[0,256]，只有 mask 没有中括号
hist_cv = cv2.calcHist([img],[0],None,[256],[0,256])

hist 是一个 256x1 的数组，每一个值代表了与次灰度值对应的像素点数
目

绘制直方图

使用 Matplotlib Matplotlib 中有直方图绘制函数：matplotlib.pyplot.hist()
它可以直接统计并绘制直方图。你应该使用函数 calcHist() 或 np.histogram()
统计直方图。代码如下：

from matplotlib import pyplot as plt
img = cv2.imread('a.jpg',0)
plt.hist(img.ravel(),256,[0,256]);
plt.show()

绘制多通道（BGR）的直方图

img = cv2.imread('Pytorch.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
# 使用内置 enumerrate 函数会有更加直接，优美的做法
# enumerate 会将数组或列表组成一个索引序列。
# 使我们再获取索引和索引内容的时候更加方便
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()

使用掩模

要统计图像某个局部区域的直方图只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。然后把这个掩模图像传给函数就可以了.

img = cv2.imread('home.jpg',0)
# create a mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv2.bitwise_and(img,img,mask = mask)
# Calculate histogram with mask and without mask
# Check third argument for 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()

直方图的均衡化

直方图的均衡化

• 但是一副高质量的图像的像素值分布应该很广泛。所以你应该把它的直方图做一个横向拉伸（如下图），这就是直方图均衡化要做的事情。通常情况下这种操作会改善图像的对比度。
• OpenCV 中的直方图均衡化函数为 cv2.equalizeHist()。这个函数的输入图片仅仅是一副灰度图像，输出结果是直方图均衡化之后的图像

img = cv2.imread('Pytorch.png')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
equ = cv2.equalizeHist(img_gray)
res = np.hstack((img_gray,equ))
cv2.imshow('res.png',res)

plt.hist(img.ravel(),256,[0,256])
plt.figure('img')
plt.hist(img_gray.ravel(),256,[0,256])
plt.figure('img_gray')
plt.show()
cv2.waitKey(0)

自适应的直方图均衡化

img = cv2.imread('tsukuba_l.png',0)
# create a CLAHE object (Arguments are optional).
# 不知道为什么我没好到 createCLAHE 这个模块
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv2.imwrite('clahe_2.jpg',cl1)

2D直方图

• 在前面的部分我们介绍了如何绘制一维直方图，之所以称为一维，是因为我们只考虑了图像的一个特征：灰度值。但是在 2D 直方图中我们就要考虑两个图像特征。对于彩色图像的直方图通常情况下我们需要考虑每个的颜色（Hue）和饱和度（Saturation）。根据这两个特征绘制 2D 直方图.

OpenCV 中的 2D 直方图

• 使用函数 cv2.calcHist() 来计算直方图既简单又方便。如果要绘制颜色直方图的话，我们首先需要将图像的颜色空间从 BGR 转换到 HSV。（记住，计算一维直方图，要从 BGR 转换到 HSV）。计算 2D 直方图，函数的参数要做如下修改：
  • channels=[0，1] 因为我们需要同时处理 H 和 S 两个通道。
  • bins=[180，256]H 通道为 180，S 通道为 256。
  • range=[0，180，0，256]H 的取值范围在 0 到 180，S 的取值范围在 0 到 256。

Numpy中2D直方图

• Numpy 同样提供了绘制 2D 直方图的函数：np.histogram2d()。（还记得吗，绘制 1D 直方图时我们使用的是 np.histogram()）

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg')
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
hist, xbins, ybins = np.histogram2d(h.ravel(),s.ravel(),[180,256],[[0,180],[0,256]])

第一个参数是 H 通道，第二个参数是 S 通道，第三个参数是 bins 的数目，第四个参数是数值范围。现在我们要看看如何绘制颜.

绘制2D直方图

img = cv2.imread('lean.jpg')
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
plt.imshow(hist,interpolation = 'nearest')
plt.show()
cv2.waitKey(0)

直方图中的反向投影

• 会输出与输入图像（待搜索）同样大小的图像，其中的每一个像素值代表了输入图像上对应点属于目标对象的概率。用更简单的话来解释，输出图像中像素值越高（越白）的点就越可能代表我们要搜索的目标（在输入图像所在的位置）。这是一个直观的解释。直方图投影经常与 camshift算法等一起使用。

OpenCV 中的反向投影