Python 图像处理 OpenCV （16）：图像直方图

前文传送门：

直方图

首先，第一个问题是什么是直方图？

直方图这个应该都知道吧，不知道的话就是下面这玩意：

那么图像灰度直方图是什么鬼？

直方图是都是由横纵坐标组成的，而图像直方图的横坐标 X 轴上表示的是像素值（不总是从 0 到 255 的范围），在纵坐标 Y 轴上表示的相应像素数。

所以，直方图是可以对整幅图的灰度分布进行整体了解的图示，通过直方图我们可以对图像的对比度、亮度和灰度分布等有一个直观了解。

还没看懂？简单地说，就是把一幅图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来，就是灰度直方图。

上面这张图来自官方网站，在这张图中，我们可以得到如下信息：

左侧区域显示图像中较暗像素的数量（左侧的灰度级更趋近于 0 ）。
右侧区域则显示明亮像素的数量（右侧的灰度级更趋近于 255）。
暗区域多于亮区域，而中间调的数量（中间值的像素值，例如127附近）则非常少。

绘制直方图

在绘制直方图的时候，有两种方法：

使用 Matplotlib 绘图功能。
使用 OpenCV 绘图功能。

使用 Matplotlib 绘图

Matplotlib 带有一个强大的直方图绘图功能：matplotlib.pyplot.hist() ，这个方法可以直接找到直方图进行绘制。

在看示例代码之前，有两个参数需要先介绍下：

数据源：数据源必须是一维数组，通常需要通过函数 ravel() 拉直图像，而函数 ravel() 的作用是将多维数组降为一维数组。
像素级：一般是 256 ，表示 [0, 255] 。

代码实现：

import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread("maliao.jpg")
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()
plt.hist(img.ravel(), 256, [0, 256])
plt.show()

输出结果：

当然，我们除了可以绘制灰度直方图以外，还可以绘制出 r,g,b 不同通道的直方图，可以看下面的代码：

import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread("tiankong.jpg")
color = ('b', 'g', 'r')
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()
for i, col in enumerate(color):
    histr = cv.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(histr, color = col)
    plt.xlim([0, 256])
plt.show()

使用 OpenCV 绘制直方图

使用 OpenCV 绘制直方图还是有点费劲儿的，首先我们确认横坐标是图像中各个像素点的灰度级，纵坐标是具有该灰度级的像素个数。

接下来要介绍几个新概念：

BINS：

在前面的直方图中，我们显示的是每个像素值的像素数，即从 0 到 255 。那么现在会有一个问题，如果一个直方图我并不想找到所有的像素数量，而是取一定范围内的像素值，如：先找到 0 到 15 之间的像素数，然后找到 16 到 31 之间，......， 240 到 255 之间的像素数。

这样，我们将这个直方图分成了 16 个子部分，每个子部分的值就是其中所有像素数的总和。每个子部分都称为 BIN 。在第一种情况下， BIN 的数量为 256 个（每个像素一个），而在第二种情况下， BIN 的数量仅为 16 个。

DIMS：

这是我们为其收集数据的参数的数量。在这种情况下，我们仅收集关于强度值的一件事的数据。所以这里是1。

RANGE：

这是要测量的强度值的范围。通常，它是 [0,256] ，即所有强度值。

使用 OpenCV 的绘制直方图，我们会用到一个新的函数 calcHist() ，它的原函数如下：

def calcHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None):

参数1：要计算的原图，以方括号的传入，如：[img]。
参数2：灰度图写[0]就行，彩色图 B/G/R 分别传入 [0]/[1]/[2] 。
参数3：要计算的区域ROI，计算整幅图的话，写None。
参数4：就是我们上面提到的 BINS ,子区段数目。
参数5：range，要计算的像素值范围，一般为 [0,256] 。

接下来我们开始画图，首先我们需要使用 calcHist() 来查找整个图像的直方图。

import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread("tiankong.jpg")
# 参数:原图像 通道[0]-B 掩码 BINS为256 像素范围0-255
histB = cv.calcHist([img], [0], None, [256], [0, 255])
histG = cv.calcHist([img], [1], None, [256], [0, 255])
histR = cv.calcHist([img], [2], None, [256], [0, 255])
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()
plt.plot(histB, color='b')
plt.plot(histG, color='g')
plt.plot(histR, color='r')
plt.show()

直方图均衡化

一副效果好的图像通常在直方图上的分布比较均匀，直方图均衡化就是用来改善图像的全局亮度和对比度。

灰度图均衡，直接使用 equalizeHist() 函数。
彩色图均衡，分别在不同的通道均衡后合并。

示例代码如下：

import cv2 as cv
import numpy as np
img = cv.imread("dahai.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 灰度图均衡化
equ = cv.equalizeHist(gray)
# 水平拼接原图和均衡图
result1 = np.hstack((gray, equ))
cv.imwrite('grey_equ.png', result1)
# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv.split(img)
bH = cv.equalizeHist(b)
gH = cv.equalizeHist(g)
rH = cv.equalizeHist(r)
# 合并每一个通道
equ2 = cv.merge((bH, gH, rH))
# 水平拼接原图和均衡图
result2 = np.hstack((img, equ2))
cv.imwrite('bgr_equ.png', result2)

结果：

自适应直方图均衡

上面介绍的直方图均值化是针对整幅图片的，这样有好处也有不好的地方，会导致一些图片部位太亮，导致大部分细节丢失。如下面这两张图片：

直方图均衡后，背景对比度确实得到了改善。但是在两个图像中比较雕像的脸,由于亮度过高，丢失了大多数信息。

因此，为了解决这个问题，引入了 自适应直方图均衡 来解决这个问题。

它在每一个小区域内（默认 8×8 ）进行直方图均衡化。当然，如果有噪点的话，噪点会被放大，需要对小区域内的对比度进行了限制。

import cv2 as cv
import numpy as np
img = cv.imread('clahe_src.jpg', 0)
# 全局直方图均衡
equ = cv.equalizeHist(img)
# 自适应直方图均衡
clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8, 8))
cl1 = clahe.apply(img)
# 水平拼接三张图像
result1 = np.hstack((img, equ, cl1))
cv.imwrite('clahe_result.jpg', result1)

参考

https://blog.csdn.net/Eastmount/article/details/83758402

http://www.woshicver.com/FifthSection/4_10_1_直方图-1：查找，绘制，分析/

https://zhuanlan.zhihu.com/p/61879400