一、灰度直方圖

概念：

圖像直方圖是表示數(shù)字圖像中亮度分布的直方圖，標(biāo)繪了圖像中每個(gè)亮度值的像素個(gè)數(shù)。

這種直方圖中，橫坐標(biāo)的左側(cè)為較暗的區(qū)域，而右側(cè)為較亮的區(qū)域。因此一張較暗圖片的直方圖中的數(shù)據(jù)多集中于左側(cè)和中間部分，而整體明亮、只有少量陰影的圖像則相反。如圖：

注意：圖像直方圖是根據(jù)灰度圖進(jìn)行繪制的，而不是彩色圖像。

圖像直方圖的術(shù)語：

dims：需要統(tǒng)計(jì)的特征數(shù)目。
（比如，如果僅統(tǒng)計(jì)了灰度值，則dims=1，如果統(tǒng)計(jì)了BGR三色，則dims=3）
bins：每個(gè)特征空間子區(qū)段的數(shù)目。
（如下圖的直方圖中，每一豎條表示某一值或一區(qū)間，則該直方圖的bins=16）
range：要統(tǒng)計(jì)特征的取值范圍。
（如下圖中，我們將[0,255]區(qū)間分成了16個(gè)子區(qū)間，其中range=[0,255]）

直方圖的意義:

直方圖是圖像中像素強(qiáng)度分布的圖形表達(dá)方式。

它統(tǒng)計(jì)了每一個(gè)強(qiáng)度值所具有的像素個(gè)數(shù)。

不同的圖像的直方圖可能是相同的

OpenCv API:

cv2.calcHist(images, channels, mask, histSize, ranges)

參數(shù)：

• images：原圖像。當(dāng)傳入函數(shù)時(shí)應(yīng)該用中括號(hào) [] 括起來，例如：[img]
• channels：如果輸入圖像是灰度圖，它的值就是[0]；如果是彩色圖像的話，傳入的參數(shù)可以是[0]，[1]，[2]它們分別對(duì)應(yīng)著通道B，G，R。
• mask:掩模圖像。要統(tǒng)計(jì)整幅圖像的直方圖就把它設(shè)為None。但是如果你想統(tǒng)計(jì)圖像某一部分的直方圖的話，你就需要制作一個(gè)掩模圖像，并使用它。
• histSize：bins的數(shù)目。也應(yīng)該用中括號(hào)括起來，例如：[256]。
• ranges：像素值范圍。通常為[0,256]。

代碼編寫：

import cv2 as cv
import matplotlib.pyplot as plt
src = cv.imread("E:\\view.jpg", 0)  # 直接以灰度圖方式讀入
img = src.copy()
# 統(tǒng)計(jì)灰度圖
greyScale_map = cv.calcHist([img], [0], None, [256], [0, 256])
# 繪制灰度圖
plt.figure(figsize=(10, 6), dpi=100)
plt.plot(greyScale_map)
plt.grid()
plt.show()

二、掩膜的應(yīng)用

原理：

掩膜是用選定的圖像、圖形或物體，對(duì)要處理的圖像進(jìn)行遮擋，來控制圖像處理的區(qū)域。
在數(shù)字圖像處理中，我們通常使用二維矩陣數(shù)組進(jìn)行掩膜。掩膜是由0和1組成一個(gè)二進(jìn)制圖像，利用該掩膜圖像要處理的圖像進(jìn)行掩膜，其中1值的區(qū)域被處理，0值區(qū)域被屏蔽，不會(huì)處理。
應(yīng)用：

掩膜的主要用途是:

• 提取感興趣區(qū)域：用預(yù)先制作的感興趣區(qū)掩膜與待處理圖像進(jìn)行”與“操作，得到感興趣區(qū)圖像，感興趣區(qū)內(nèi)圖像值保持不變，而區(qū)外圖像值都為0。
• 屏蔽作用︰用掩膜對(duì)圖像上某些區(qū)域作屏蔽，使其不參加處理或不參加處理參數(shù)的計(jì)算，或僅對(duì)屏蔽區(qū)作處理或統(tǒng)計(jì)。
• 結(jié)構(gòu)特征提取︰用相似性變量或圖像匹配方法檢測和提取圖像中與掩模相似的結(jié)構(gòu)特征。
• ·特殊形狀圖像制作。

掩膜在遙感影像處理中使用較多，當(dāng)提取道路或者河流，或者房屋時(shí)，通過一個(gè)掩膜矩陣來對(duì)圖像進(jìn)行像素過濾,然后將我們需要的地物或者標(biāo)志突出顯示出來。

代碼編寫：

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
src = cv.imread("E:\\view.jpg", 0)  # 直接以灰度圖方式讀入
img = src.copy()
# 創(chuàng)建蒙版
mask = np.zeros(img.shape[:2], np.uint8)
mask[700:1000, 100:400] = 1
# 掩膜
masked_img = cv.bitwise_and(img, img, mask=mask)  # 與操作
# 統(tǒng)計(jì)掩膜后圖像的灰度圖
mask_histr = cv.calcHist([img], [0], mask, [256], [0, 256])
# 顯示圖像
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8), dpi=100)
axes[0][0].imshow(img, cmap=plt.cm.gray)
axes[0][0].set_title("原圖")
axes[0][1].imshow(mask, cmap=plt.cm.gray)
axes[0][1].set_title("蒙版數(shù)據(jù)")
axes[1][0].imshow(masked_img, cmap=plt.cm.gray)
axes[1][0].set_title("掩膜后圖像")
axes[1][1].plot(mask_histr)
axes[1][1].grid()
axes[1][1].set_title("掩膜后圖像的灰度直方圖")
plt.show()

三、直方圖均衡化

原理：

想象一下，如果一副圖像中的大多數(shù)像素點(diǎn)的像素值都集中在某一個(gè)小的灰度值值范圍之內(nèi)會(huì)怎樣呢?如果一幅圖像整體很亮，那所有的像素值的取值個(gè)數(shù)應(yīng)該都會(huì)很高。所以應(yīng)該把它的直方圖做一個(gè)橫向拉伸（如下圖)，就可以擴(kuò)大圖像像素值的分布范圍，提高圖像的對(duì)比度，這就是直方圖均衡化要做的事情。

“直方圖均衡化"是把原始圖像的灰度直方圖從比較集中的某個(gè)灰度區(qū)間變成在更廣泛灰度范圍內(nèi)的分布。直方圖均衡化就是對(duì)圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素?cái)?shù)量大致相同。

應(yīng)用：

提高圖像整體的對(duì)比度。

特別是有用數(shù)據(jù)的像素值分布比較接近時(shí)，在X光圖像中使用廣泛，可以提高骨架結(jié)構(gòu)的顯示，另外在曝光過度或不足的圖像中可以更好的突出細(xì)節(jié)。

OpenCv API：

cv2.equalizeHist(img)

參數(shù)：

img:輸入的灰度圖

代碼編寫：

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
src = cv.imread("E:\\qi.png", 0)  # 直接以灰度圖方式讀入
img = src.copy()
# 均衡化處理
dst = cv.equalizeHist(img)
# 顯示圖像
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 8), dpi=100)
axes[0].imshow(img, cmap=plt.cm.gray)
axes[0].set_title("原圖")
axes[1].imshow(dst, cmap=plt.cm.gray)
axes[1].set_title("均衡化后的圖像")
plt.show()

四、自適應(yīng)的直方圖均衡化

由來：

上述的直方圖均衡化，我們考慮的是圖像的全局對(duì)比度。的確在進(jìn)行完直方圖均衡化之后，圖片背景的對(duì)比度被改變了，但在許多情況下，這樣做的效果并不好，因?yàn)榫饣蟮膱D像很有可能發(fā)生局部過亮或者局部過暗的情況，從而造成數(shù)據(jù)信息的丟失。

原理：

• 將整幅圖像分成很多小塊，這些小塊被稱為“tiles”(在 OpenCV中tiles的大小默認(rèn)是8x8)，然后再對(duì)每一個(gè)小塊分別進(jìn)行直方圖均衡化。(所以在每一個(gè)的區(qū)域中，直方圖會(huì)集中在某一個(gè)小的區(qū)域中)。
• 如果有噪聲的話，噪聲會(huì)被放大。為了避免這種情況的出現(xiàn)要使用對(duì)比度限制。對(duì)于每個(gè)小塊來說，如果直方圖中的 bin超過對(duì)比度的上限的話，就把其中的像素點(diǎn)均勻分散到其他bins 中，然后在進(jìn)行直方圖均衡化。

最后，為了去除每一個(gè)小塊之間的邊界，再使用雙線性差值，對(duì)每一小塊進(jìn)行拼接。

OpenCv API：

clahe = cv.createCLAHE(clipLimit, tileGridSize)
dst = clahe.apply(img)

參數(shù)：

• clipLimit：對(duì)比度限制，默認(rèn)是40
• tileGridSize：分塊的大小，默認(rèn)為8*8 代碼編寫：

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
src = cv.imread("E:\\qi.png", 0)  # 直接以灰度圖方式讀入
img = src.copy()
# 創(chuàng)建一個(gè)自適應(yīng)均衡化的對(duì)象，并應(yīng)用于圖像
clahe = cv.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
dst = clahe.apply(img)
# 顯示圖像
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 8), dpi=100)
axes[0].imshow(img, cmap=plt.cm.gray)
axes[0].set_title("原圖")
axes[1].imshow(dst, cmap=plt.cm.gray)
axes[1].set_title("自適應(yīng)均衡化后的圖像")
plt.show()

到此這篇關(guān)于python+OpenCv直方圖(灰度直方圖、掩膜的應(yīng)用、直方圖均衡化、自適應(yīng)直方圖均衡化)的文章就介紹到這了,更多相關(guān)python OpenCv直方圖內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！