您的位置：首页 > 编程语言 > Python开发

Python语言opencv使用笔记（九）（图像直方图）

2018-01-09 11:05 696 查看

<div class="article_content tracking-ad" id="article_content" data-mod="popu_307" data-dsm="post">

<div class="markdown_views"><h2 id="一图像直方图"><a name="t0"></a>（一）图像直方图</h2>
图像的构成是有像素点构成的，每个像素点的值代表着该点的颜色（灰度图或者彩色图）。所谓直方图就是对图像的中的这些像素点的值进行统计，得到一个统一的整体的灰度概念。直方图的好处就在于可以清晰了解图像的整体灰度分布，这对于后面依据直方图处理图像来说至关重要。
一般情况下直方图都是灰度图像，直方图x轴是灰度值（一般0~255），y轴就是图像中每一个灰度级对应的像素点的个数。
那么如何获得图像的直方图？首先来了解绘制直方图需要的一些量：灰度级，正常情况下就是0-255共256个灰度级，从最黑一直到最亮（白）（也有可能统计其中的某部分灰度范围），那么每一个灰度级对应一个数来储存该灰度对应的点数目。也就是说直方图其实就是一个1*m（灰度级）的一个数组而已。但是有的时候我们不希望一个一个灰度的递增，比如现在我想15个灰度一起作为一个灰度级来花直方图，这个时候我们可能只需要1*(m/15)这样一个数组就够了。那么这里的15就是直方图的间隔宽度了。
Opencv给我们提供的函数是cv2.calcHist()，该函数有5个参数：
<ul>

<li>image输入图像，传入时应该用中括号[]括起来</li>

<li>channels:：传入图像的通道，如果是灰度图像，那就不用说了，只有一个通道，值为0，如果是彩色图像（有3个通道），那么值为0,1,2,中选择一个，对应着BGR各个通道。这个值也得用[]传入。</li>

<li>mask：掩膜图像。如果统计整幅图，那么为none。主要是如果要统计部分图的直方图，就得构造相应的炎掩膜来计算。</li>

<li>histSize：灰度级的个数，需要中括号，比如[256]</li>

<li>ranges:像素值的范围，通常[0,256]，有的图像如果不是0-256，比如说你来回各种变换导致像素值负值、很大，则需要调整后才可以。</li>

</ul>
除此之外，强大的numpy也有函数用于统计直方图的，通用的一个函数np.histogram,还有一个函数是np.bincount()（用于以为统计直方图，速度更快）。这三个方式的传入参数基本上差不多，不同的是opencv自带的需要中括号括起来。 

对于直方图的显示也是比较简单的，直接plt.plot()就可以。一个实例如下：

<pre class="prettyprint" name="code"><code class="hljs python has-numbering">import cv2

import numpy as np

import matplotlib.pyplot as plt
img = cv2.imread('flower.jpg',0) #直接读为灰度图像

#opencv方法读取-cv2.calcHist（速度最快）

#图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围

hist_cv = cv2.calcHist([img],[0],None,[256],[0,256])

#numpy方法读取-np.histogram()

hist_np,bins = np.histogram(img.ravel(),256,[0,256])

#numpy的另一种方法读取-np.bincount()（速度=10倍法2）

hist_np2 = np.bincount(img.ravel(),minlength=256)

plt.subplot(221),plt.imshow(img,'gray')

plt.subplot(222),plt.plot(hist_cv)

plt.subplot(223),plt.plot(hist_np)

plt.subplot(224),plt.plot(hist_np2)</code><ul class="pre-numbering"><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li><li>9</li><li>10</li><li>11</li><li>12</li><li>13</li><li>14</li><li>15</li><li>16</li></ul></pre>
<img title="" alt="这里写图片描述" src="http://img.blog.csdn.net/20150714174631743">
现在来考虑opencv的直方图函数中掩膜的使用，这个掩膜就是一个区域大小，表示你接下来的直方图统计就是这个区域的像素统计。一个例子如下：

<pre class="prettyprint" name="code"><code class="hljs python has-numbering">import cv2

import numpy as np

import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0) #直接读为灰度图像

mask = np.zeros(img.shape[:2],np.uint8)

mask[100:200,100:200] = 255

masked_img = cv2.bitwise_and(img,img,mask=mask)
#opencv方法读取-cv2.calcHist（速度最快）

#图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围

hist_full = cv2.calcHist([img],[0</spa
4000
n>],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)</code><ul class="pre-numbering"><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li><li>9</li><li>10</li><li>11</li><li>12</li><li>13</li><li>14</li><li>15</li><li>16</li><li>17</li></ul></pre>
<img title="" alt="这里写图片描述" src="http://img.blog.csdn.net/20150714174707917">

<h2 id="二直方图均衡化"><a name="t1"></a>（二）直方图均衡化</h2>
图像的直方图是对图像对比度效果上的一种处理，旨在使得图像整体效果均匀，黑与白之间的各个像素级之间的点更均匀一点。 

直方图均衡化只要包括三个步骤：
<ol>

<li>统计直方图中每个灰度级出现的次数；</li>

<li>计算累计归一化直方图；</li>

<li>重新计算像素点的像素值；</li>

</ol>
关于原理的详细部分给一个参考： 
<a href="http://blog.csdn.net/rushkid02/article/details/9178117" target="_blank">直方图均衡化原理</a>
百度百科的解释也很棒 

<a href="http://baike.baidu.com/link?url=RUjahehgkTMDGKwAEyMsHyeMyWWTw9a0KUx2CzLbXtxdZyoF6zqDbJsfEffUQYAwvr7kD9p6cbOxJGYGk1nkZq" target="_blank">http://baike.baidu.com/link?url=RUjahehgkTMDGKwAEyMsHyeMyWWTw9a0KUx2CzLbXtxdZyoF6zqDbJsfEffUQYAwvr7kD9p6cbOxJGYGk1nkZq</a>
在opencv有专门函数对直方图进行均衡化使用的函数就是cv2.equalizeHist().一个实例如：

<pre class="prettyprint" name="code"><code class="hljs python has-numbering">import cv2

import matplotlib.pyplot as plt
img = cv2.imread('flower.jpg',0) #直接读为灰度图像

res = cv2.equalizeHist(img)
plt.subplot(121),plt.imshow(img,'gray')

plt.subplot(122),plt.imshow(res,'gray')</code><ul class="pre-numbering"><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li></ul></pre>
<img title="" alt="这里写图片描述" src="http://img.blog.csdn.net/20150714174935230">
上述的直方图均衡化可以可能到是一种全局意义上的均衡化，但是有的时候这种操作并不是很好，会把某些不该调整的部分给调整了。Opencv中还有一种直方图均衡化，它是一种局部局部来的均衡化，也就是是说把整个图像分成许多小块（比如按10*10作为一个小块），那么对每个小块进行均衡化。这种方法主要对于图像直方图不是那么单一的（比如存在多峰情况）图像比较实用。Opencv中将这种方法称之为CLAHE，使用到的函数就是cv2.createCLAHE()，一个实例如下：

<pre class="prettyprint" name="code"><code class="hljs python has-numbering">import cv2

import matplotlib.pyplot as plt
img = cv2.imread('flower.jpg',0) #直接读为灰度图像

clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))

cl1 = clahe.apply(img)
plt.subplot(121),plt.imshow(img,'gray')

plt.subplot(122),plt.imshow(cl1,'gray')</code><ul class="pre-numbering"><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li><li>9</li></ul></pre>
<img title="" alt="这里写图片描述" src="http://img.blog.csdn.net/20150714175021176"> 

可以看到，相对于全局的直方图均衡化，这个局部的均衡化似乎得到的效果更自然一点。</div>

<script type="text/javascript">

$(function () {

$('pre.prettyprint code').each(function () {

var lines = $(this).text().split('\n').length;

var $numbering = $('<ul/>').addClass('pre-numbering').hide();

$(this).addClass('has-numbering').parent().append($numbering);

for (i = 1; i <= lines; i++) {

$numbering.append($('<li/>').text(i));

};

$numbering.fadeIn(1700);

});

});

</script>

</div>

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签： opencv 图像处理 python 直方图

相关文章推荐

新的分享

章节导航