【opencv学习】【图像直方图和均衡化】

今天学习图像直方图和图像均衡化

一：图像直方图

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

# 图像的直方图，就是统计哪些像素点，或者那一段像素区间的像素的个数
# 在opencv中使用的是 calcHist(images, channels, mask, histSzie, ranges)
# 参数解析：
#       images: 一次性可以传入多个图像。传入图像时候是一个list, 用[]括起来，数据类型是 uint8/float32
#       channels: 统计的是哪个通道，如果是灰度图传入[0]，如果是彩色图像，传入[0]、[1]、[2]，代表的是 BGR通道
#       mask: 给图像做个掩码，如果想统计这个图像，则是传入None, 如果想只统计一部分，则需要做个掩码传入
#       histSzie: BIN的数量，平均划分成几个范围，如果是一个像素点一个范围的话，就是256.
#       ranges: 像素的范围，通常为[0, 256]

# 展示图像，封装成函数
def cv_show_image(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)  # 等待时间，单位是毫秒，0代表任意键终止
    cv2.destroyAllWindows()

img = cv2.imread('images/saoge2.jpg')
print(img.shape)
plt.hist(img.ravel(), 256)
plt.title('src_img_hist')
plt.show()

# 计算各个通道的直方图
hist_b = cv2.calcHist([img], [0], None, [256], [0, 256])
print(hist_b.shape)  # (256, 1)
hist_g = cv2.calcHist([img], [1], None, [256], [0, 256])
print(hist_g.shape)  # (256, 1)
hist_r = cv2.calcHist([img], [2], None, [256], [0, 256])
print(hist_r.shape)  # (256, 1)

# 绘这BGR三个通道的直方图
plt.plot(hist_b, 'b')
plt.plot(hist_g, 'g')
plt.plot(hist_r, 'r')
plt.xlim([0, 256])
plt.title('bgr_hist')
plt.show()

# 带有掩码操作，当我们只想取其中部分区域进行直方图统计的时候，就可以用得上掩码
# 掩码是选择的区域是保留，不选择的区域是废弃，因此掩码在选择区域的值是255，丢弃的区域的值是0
# 下面是定义mask掩码的方式
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:540] = 255

masked_img = cv2.bitwise_and(img, img, mask=mask)  # 得到亚麻作用后的图像

hist_full_img = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask_img = cv2.calcHist([img], [0], mask, [256], [0, 256])

plt.subplot(2,2,1), plt.imshow(img, 'gray')
plt.subplot(2,2,2), plt.imshow(mask, 'gray')
plt.subplot(2,2,3), plt.imshow(masked_img, 'gray')
plt.subplot(2,2,4), plt.plot(hist_full_img, 'b'), plt.plot(hist_mask_img, 'g')
plt.xlim([0, 256])
plt.title('mask_hist')
plt.show()

原始图像的灰度直方图是：

原始图像的BGR三通道各自的直方图

原始图像的B带有掩码的B通道直方图

二：直方图均衡化

# 直方图的均衡化
# 得到直方图后，有一些直方图的像素分布不均匀，导致颜色很偏，因此需要均衡化调节
# 图像均衡化得目的是为了提高图像的对比度。对于灰度分布比较集中的图（整体太暗或者太亮），可以起到均衡作用（有明有暗）。
# 方法就是：
#     读入图像
#     对每个通道分别统计像素值[0,255]出现的次数。
#     对每个通道分别求像素值[0,255]出现的概率，得到概率直方图。
#     对每个通道分别求像素值[0,255]概率的累计和，得到累计概率直方图。
#     对每个通道根据累计概率直方图分别求像素映射函数。对每个通道完成每个像素点的映射。
#           举个例子，像素值为56的累计概率是0.2，那么像素值为56的新的映射像素值是 256*0.2=51
#           举个例子，像素值为255的累计概率一定是1，么像素值为255的新的映射像素值是 256*01=255
#     输出直方图均衡化的图像。

# 在opencv中的操作
# 读取原始图像
img = cv2.imread('images/saoge2.jpg', cv2.IMREAD_GRAYSCALE)  # 读取灰度图像
plt.hist(img.ravel(), 256)
plt.title('src_img_hist')
plt.show()

# 图像直方图均衡化，整个图像都会进行均衡化
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(), 256)
plt.title('equalizeHist_img')
plt.show()

# 自适应均衡化
# 把图像分成一些小格子，各自做各自的均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)

res = np.hstack((img, equ, res_clahe))
cv_show_image('equalizeHist', res)

普通均衡化和自适应均衡化的效果对比