python OpenCV图像直方图处理

目录

• 1.图像直方图基本含义和绘制
• 2.OpenCV统计直方图并绘制
• 3.使用掩码的直方图-直方图、掩膜
• 4.直方图均衡化原理及函数
• 5.子图的绘制
• 6.直方图均衡化对比

1.图像直方图基本含义和绘制

首先我们先要了解一下python三大剑客之一——matplotlib
我们都知道matlab作为一个工具是公认的绘图牛，但是我想说的是python下的matplotlib这个超级剑客也是非常厉害的，因为python近年来才火热起来，所以热度没有matlib高，但是matlib可以实现的功能作为python都是差不多可以实现的。
我们回归正题，先来介绍下matplotlib怎么简单的画一个直方图。

import numpy as np
import matplotlib.pyplot as plt
x=np.arange(0,5,0.1)
y=np.sim(x)
plt.plot(x,y)

简单的不能再简单了吧，我们使用它去绘制一个sin（x）的函数图像。

那么matplotlib如何和CV一起工作呢？

import cv2
import matplotlib.pyplot as plt
o=cv2.imread("image\\boatGray.bmp")
histb = cv2.calcHist([o],[0],None,[256],[0,255])
plt.plot(histb,color='b')
plt.show()

结果是（也很好理解吧）：

针对于彩色图像我们也可以针对BGR分别作图。

import cv2
import matplotlib.pyplot as plt
o=cv2.imread("image\\girl.bmp")
histb = cv2.calcHist([o],[0],None,[256],[0,255])
histg = cv2.calcHist([o],[1],None,[256],[0,255])
histr = cv2.calcHist([o],[2],None,[256],[0,255])
plt.plot(histb,color='b')
plt.plot(histg,color='g')
plt.plot(histr,color='r')
plt.show()

直方图的绘制我们使用的函数还有：函数hist
功能：根据数据源和像素级绘制直方图。
语法： hist(数据源，像素级）
数据源：图像，必须是一维数组。
像素级：一般是256，指[0,255]

功能：将多维数组降为一维数组。格式：一维数组=多维数组.ravel()

import cv2
import matplotlib.pyplot as plt
o=cv2.imread("image\\boat.jpg")
cv2.imshow("o",o)
cv2.waitKey()
cv2.destroyAllWindows()
plt.hist(o.ravel(),256)

2.OpenCV统计直方图并绘制

使用OpenCV对图像进行绘制的和横坐标表示像素值比如[0,255]，纵坐标表示像素值的个数。

绘制函数：

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

其中，hist返回结果是一个直方图，返回的直方图，是一个二维数组。
image原始图像：图像需要使用“[ ]”括起来使用。
channels：

通道编号需要用中括号括起来输入图像是灰度图时，它的值是[0]；彩色图像可以是[0]，[1]，[2]。分别对应通道B，G，R。
mask：掩码图像统计整幅图像的直方图，设为None。统计图像某一部分的直方图时，需要掩码图像。
histSize
BINS的数量，例如【256】
ranges
像素值范围RANGE
accumulate默认值为false。如果被设置为true，则直方图在开始分配时不会被清零。该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图。多个直方图的累积结果，用于对一组图像计算直方图。

使用OpenCV画出直方图：

import cv2
import matplotlib.pyplot as plt
o=cv2.imread("image\\girl.bmp")
histb = cv2.calcHist([o],[0],None,[256],[0,255])
histg = cv2.calcHist([o],[1],None,[256],[0,255])
histr = cv2.calcHist([o],[2],None,[256],[0,255])
plt.plot(histb,color='b')
plt.plot(histg,color='g')
plt.plot(histr,color='r')
plt.show()

3.使用掩码的直方图-直方图、掩膜

掩码说实话就是使用掩膜的黑色部分把原始图像的部分给覆盖掉，也称为过滤掉。那么我们怎么做呢？首先我们需要创建一个掩膜：

mask=np.zeros(image.shape,np.uint8)
mask[200:400,200:400]=255

首先创建一个全0的和原图像size一致的，然后我们把指定范围指定为白色。然后传入函数内：

import cv2
import numpy as np
import matplotlib.pyplot as plt
显示直方图
image=cv2.imread("image\\girl.bmp",cv2.IMREAD_GRAYSCALE)
mask=np.zeros(image.shape,np.uint8)
mask[200:400,200:400]=255
histMI=cv2.calcHist([image],[0],mask,[256],[0,255])
histImage=cv2.calcHist([image],[0],None,[256],[0,255])
plt.plot(histImage)
plt.plot(histMI)

结果是：

掩膜原理：

说实在的就是与和或的关系，与就是一个不行就都不行。或就是一个行就可以。

而我们的掩膜原理主要用到的就是与操作；

计算结果 = cv2.bitwise_and(图像1，图像2)

import cv2
import numpy as np
import matplotlib.pyplot as plt
image=cv2.imread("image\\boat.bmp",0)
mask=np.zeros(image.shape,np.uint8)
mask[200:400,200:400]=255
mi=cv2.bitwise_and(image,mask)
cv2.imshow('original',image)
cv2.imshow('mask',mask)
cv2.imshow('mi',mi)
cv2.waitKey()
cv2.destroyAllWindows()

4.直方图均衡化原理及函数

在维基百科是这样定义的：

对应在图像上就是：

前提：如果一幅图像占有全部可能的灰度级，并且均匀分布。
结论：该图像具有高对比度和多变的灰度色调。
外观：图像细节丰富，质量更高。

算法：

• 1.计算累计直方图
• 2.将累计直方图进行区间转换
• 3.在累计直方图中，概率相近的原始值，会被处理为相同的值。

1.计算灰度级出现的概率情况