# coding: utf-8
import numpy as np
import cv2
from matplotlib import pyplot as plt
'''
第22章： 直方图
直方图含义：可以对图像灰度分布有整体了解,x轴是灰度值（0到255），y轴是图片中具有同一个
灰度值点的数目，直方图是根据灰度图像绘制的、
BINS:如果需要知道两个像素值之间的数目，只需16个值来绘制直方图
需要把原来的256个值等分成16个小组，取每组的总和。每组就成为BIN。
OpenCV中用hitSize表示BINS。
DIMS:表示收集数据的参数数目，只考虑灰度值，因此参数为1
RANGE:要统计的灰度值范围，一般为[0,256]
cv2.calcHist可以统计图像的直方图
cv2.calcHist(images,channels,masks,histSize,ranges[,hist[,accumulate]])
images:原图像集合，是数组，因此用[],channels:通道，需要用[]括起来，
若图像为灰度图像，值为[0]；彩色图像是[0],[1],[2]分别表示对应的通道是B,G,R
mask:掩膜图像，统计整幅图像就设置为None,统计一部分，需要使用它
histSize:BIN的数目，也要[]括起来,range:像素值范围
'''
def myHist():
img = cv2.imread("0_snap.png" , 0)
img = cv2.imread("home.jpg" , 0)
hist = cv2.calcHist([img],[0],None , [256],[0,256])
print(hist)
#plt.imshow(hist , cmap="gray")
#plt.show(hist)
'''
pyplot.hist(x , bins=10,range=None):
作用：绘制直方图，x表示类似的一维数组（也可以是图像）
'''
plt.hist(img.ravel() , 256 ,[0,256])
plt.show()
'''
cv2.imshow("histogram",hist)
cv2.waitKey(0)
cv2.destroyAllWindows()
'''
'''
numpy.histogram(a,bins=10,range=None)
a:类似数组的输入数据,bins:用于知道两个像素值之间的数目
range:统计的像素范围
返回的hist:数组，bin_edges:length(hist)+1
hist就是一个含有256个元素的数组，数组中的每一个元素表示数组
对应下标下的像素点个数
np.bincount(x,weights=Nne,minlengthNone):
x:一维数组，返回out:输出的包含
'''
hist,bins = np.histogram( img.ravel() , 256 , [0 ,256] )
print("hist:%d" % len(hist) )
print(hist)
print("bins:%d" % len(bins))
print(bins)
'''
使用掩膜，只需要统计局部区域的直方图，将要统计的部分设置成白色，其余部分为黑色，
就构成一副掩模图像，然后把掩模图像传给函数
这里的白色实际上是全1： 即11111111,黑色时0，因为将掩膜图像和原图像进行与运算后，
只有掩膜的部分还保留成原图像的像素值，黑色部分因为全0相与后就消失后变成黑色
'''
def mask_histogram():
img = cv2.imread("home.jpg" , 0)
mask = np.zeros(img.shape[ : 2 ] , np.uint8)
mask[100:300 , 100:400] = 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()
'''
直方图均衡化
一副图像中大多数店都集中在一个像素值范围内会怎样，
如果一副图片很亮，那么像素值都很高，直方图均衡化会把直方图
做横向拉伸。
直方图均衡化是把直方图映射到广泛分布的直方图中
应用：使所有的图片具有相同的亮度条件
'''
def numpy_historgamEqualization():
#img = cv2.imread("wiki.jpg" , 0)
img = cv2.imread("scenery.jpg" , 0)
'''
numpy.ndarray.flatten(order='C'):扁平化，复制一个一维的array出来
C表示按照行的顺序，F表示按照列的顺序
'''
hist , bins = np.histogram(img.flatten() , 256 , [0,256])
'''
numpy.cumsum(a,axis=None,dtype=None ,out=None):
a:输入数组
作用：计算每一行或每一列的累积和，相当于分布求和函数，落在<=a的数量
'''
#计算累积分布图（不是标准化的）
cdf = hist.cumsum()
'''
max():最大值,用分布累积值乘以，直方图最大值/分布累加最大值 ?
标准化的值=cdf/cdf.max( < 1) * hist.max() < 1
'''
cdf_normalized = cdf * hist.max() / cdf.max()
plt.plot(cdf_normalized , color = 'b')
plt.hist(img.flatten() ,256 , [0 , 256] , color = 'r' )
'''
pyplot.xlime( ( xmin,xmax ) ):设置x轴的限制范围
'''
plt.xlim([0,256])
'''
pyplot.legend():为线段设置图例(其实就是解释说明)
'''
plt.legend(("cdf" , "histogram") , loc = "upper left")
plt.show()
'''
找到直方图中的最小值(除了0)，并把它用于wiki中的直方图均衡化公式，使用Numpy
的掩膜数组，对于掩膜数组的所有操作都只对non-masked元素有效
构建Numpy掩膜数组，cdf为原数组，当数组元素为0时，掩盖(计算时被忽略)
numpy.ma.masked_equal(x,value,copy=True):
掩膜一个数组当之等于给定值时
'''
cdf_m = np.ma.masked_equal(cdf , 0)
#真正的归一化
cdf_m = ( cdf_m - cdf_m.min() ) * 255 / (cdf_m.max() - cdf_m.min() )
'''
numpy.ma.filled
'''
cdf = np.ma.filled(cdf_m , 0).astype("uint8")
def mask_filled():
img = cv2.imread("scenery.jpg" , 0)
#img = cv2.imread("wiki.jpg" , 0)
#img = cv2.imread("0_snap.png" , 0)
'''
numpy.ndarray.flatten(order='C'):扁平化，复制一个一维的array出来
C表示按照行的顺序，F表示按照列的顺序
'''
hist , bins = np.histogram(img.flatten() , 256 , [0,256])
'''
numpy.cumsum(a,axis=None,dtype=None ,out=None):
a:输入数组
作用：计算每一行或每一列的累积和，相当于分布求和函数，落在<=a的数量
'''
#计算累积分布图（不是标准化的）
cdf = hist.cumsum()
'''
找到直方图中的最小值(除了0)，并把它用于wiki中的直方图均衡化公式，使用Numpy
的掩膜数组，对于掩膜数组的所有操作都只对non-masked元素有效
构建Numpy掩膜数组，cdf为原数组，当数组元素为0时，掩盖(计算时被忽略)
numpy.ma.masked_equal(x,value,copy=True):
掩膜一个数组当之等于给定值时
'''
cdf_m = np.ma.masked_equal(cdf , 0)
#真正的归一化
cdf_m = ( cdf_m - cdf_m.min() ) * 255 / (cdf_m.max() - cdf_m.min() )
'''
numpy.ma.filled
'''
#将变换应用到图片上
cdf = np.ma.filled(cdf_m , 0).astype("uint8")
img2 = cdf[img]
plt.subplot(121) , plt.imshow(img , "gray") , plt.title("original image")
plt.subplot(122) , plt.imshow(img , "gray") , plt.title("historgam equalization")
plt.xlim([0,256])
plt.show()
'''
opencv中直方图均衡化
cv2.euqalizeHist(src[,dst])->dst
作用：将输入图像的直方图进行均衡化
返回经过直方图处理的图像
处理过程:先计算原图像的直方图，然后对直方图进行标准化
然后计算每个灰度值的直方图： Hi'=在0<=j>> a = np.ones((2,2))
>>> b = np.eye(2)
>>> print np.vstack((a,b))
[[ 1. 1.]
[ 1. 1.]
[ 1. 0.]
[ 0. 1.]]
>>> print np.hstack((a,b))
[[ 1. 1. 1. 0.]
[ 1. 1. 0. 1.]]
'''
#相当于在原图像上叠加均衡化的直方图，从而使得图片亮度基本保持一致，这个是将两个图像放在一起
res = np.hstack((img , equ))
cv2.imwrite("res.png" , res)
plt.subplot(121) , plt.imshow(img , "gray") , plt.title("original")
plt.subplot(122) , plt.imshow(equ , "gray") , plt.title("opencv historgam equalization")
plt.show()
'''
CLAHE:优先对比适应性直方图均衡化
直方图均衡化的缺点：会改变整个图像的对比度，会丢失信息。
原因：图像的直方图并不是集中在某一个区域
解决方法：使用自适应的直方图均衡化，将图像分成很多小块(tiles，默认8*8)
再对每个小块分别进行直方图均衡化，在每一个区域中，直方图会集中在某一个小的区域
中。如果有噪声，噪声会被放大。
为了避免上述情况要使用对比度限制，对每个小块来说，如果直方图中的bin超过对比度
上限，就把其中的像素点均匀分散到其他的bins中，然后进行直方图均衡化。
最后：为了去除每个小块之间人造边界，使用双线性插值，对小块进行缝合。
'''
def CLAHE_test():
img = cv2.imread("tsukuba_l.png" , 0)
'''
cv2.createCLAHE([,clipLimit[,tileGridSize]])->retval
'''
clahe = cv2.createCLAHE(clipLimit=2.0 , tileGridSize=(8,8))
cl1 = clahe.apply(img)
plt.subplot(121) , plt.imshow(img , "gray") , plt.title("original")
plt.subplot(122) , plt.imshow(cl1 , "gray") , plt.title("clahe equalization")
plt.show()
if __name__ == "__main__":
#myHist()
#mask_histogram()
#numpy_historgamEqualization()
#mask_filled()
#opencv_histogramEqualization()
CLAHE_test()
