Python 影像處理 OpenCV （16）：影像直方圖

極客挖掘機發表於2020-08-03
PythonOpenCV直方圖

前文傳送門：

「Python 影像處理 OpenCV （1）：入門」

「Python 影像處理 OpenCV （2）：畫素處理與 Numpy 操作以及 Matplotlib 顯示影像」

「Python 影像處理 OpenCV （3）：影像屬性、影像感興趣 ROI 區域及通道處理」

「Python 影像處理 OpenCV （4）：影像算數運算以及修改顏色空間」

「Python 影像處理 OpenCV （5）：影像的幾何變換」

「Python 影像處理 OpenCV （6）：影像的閾值處理」

「Python 影像處理 OpenCV （7）：影像平滑（濾波）處理」

「Python 影像處理 OpenCV （8）：影像腐蝕與影像膨脹」

「Python 影像處理 OpenCV （9）：影像處理形態學開運算、閉運算以及梯度運算」

「Python 影像處理 OpenCV （10）：影像處理形態學之頂帽運算與黑帽運算」

「Python 影像處理 OpenCV （11）：Canny 運算元邊緣檢測技術」

「Python 影像處理 OpenCV （12）： Roberts 運算元、 Prewitt 運算元、 Sobel 運算元和 Laplacian 運算元邊緣檢測技術」

「Python 影像處理 OpenCV （13）： Scharr 運算元和 LOG 運算元邊緣檢測技術」

「Python 影像處理 OpenCV （14）：影像金字塔」

「Python 影像處理 OpenCV （15）：影像輪廓」

直方圖

首先，第一個問題是什麼是直方圖？

直方圖這個應該都知道吧，不知道的話就是下面這玩意：

那麼影像灰度直方圖是什麼鬼？

直方圖是都是由橫縱座標組成的，而影像直方圖的橫座標 X 軸上表示的是畫素值（不總是從 0 到 255 的範圍），在縱座標 Y 軸上表示的相應畫素數。

所以，直方圖是可以對整幅圖的灰度分佈進行整體瞭解的圖示，通過直方圖我們可以對影像的對比度、亮度和灰度分佈等有一個直觀瞭解。

還沒看懂？簡單地說，就是把一幅影像中每一個畫素出現的次數都先統計出來，然後把每一個畫素出現的次數除以總的畫素個數，得到的就是這個畫素出現的頻率，然後再把畫素與該畫素出現的頻率用圖表示出來，就是灰度直方圖。

上面這張圖來自官方網站，在這張圖中，我們可以得到如下資訊：

  • 左側區域顯示影像中較暗畫素的數量（左側的灰度級更趨近於 0 ）。
  • 右側區域則顯示明亮畫素的數量（右側的灰度級更趨近於 255）。
  • 暗區域多於亮區域，而中間調的數量（中間值的畫素值，例如127附近）則非常少。

繪製直方圖

在繪製直方圖的時候，有兩種方法：

  1. 使用 Matplotlib 繪圖功能。
  2. 使用 OpenCV 繪圖功能。

使用 Matplotlib 繪圖

Matplotlib 帶有一個強大的直方圖繪圖功能：matplotlib.pyplot.hist() ，這個方法可以直接找到直方圖進行繪製。

在看示例程式碼之前，有兩個引數需要先介紹下：

  • 資料來源：資料來源必須是一維陣列，通常需要通過函式 ravel() 拉直影像，而函式 ravel() 的作用是將多維陣列降為一維陣列。
  • 畫素級：一般是 256 ，表示 [0, 255] 。

程式碼實現：

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()

輸出結果：

當然，我們除了可以繪製灰度直方圖以外，還可以繪製出 r,g,b 不同通道的直方圖，可以看下面的程式碼：

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 繪製直方圖

使用 OpenCV 繪製直方圖還是有點費勁兒的，首先我們確認橫座標是影像中各個畫素點的灰度級，縱座標是具有該灰度級的畫素個數。

接下來要介紹幾個新概念：

BINS：

在前面的直方圖中，我們顯示的是每個畫素值的畫素數，即從 0 到 255 。那麼現在會有一個問題，如果一個直方圖我並不想找到所有的畫素數量，而是取一定範圍內的畫素值，如：先找到 0 到 15 之間的畫素數，然後找到 16 到 31 之間，......， 240 到 255 之間的畫素數。

這樣，我們將這個直方圖分成了 16 個子部分，每個子部分的值就是其中所有畫素數的總和。每個子部分都稱為 BIN 。在第一種情況下， BIN 的數量為 256 個（每個畫素一個），而在第二種情況下， BIN 的數量僅為 16 個。

DIMS：

這是我們為其收集資料的引數的數量。在這種情況下，我們僅收集關於強度值的一件事的資料。所以這裡是1。

RANGE：

這是要測量的強度值的範圍。通常，它是 [0,256] ，即所有強度值。

使用 OpenCV 的繪製直方圖，我們會用到一個新的函式 calcHist() ，它的原函式如下：

def calcHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None):
  • 引數1：要計算的原圖，以方括號的傳入，如：[img]。
  • 引數2：灰度圖寫[0]就行，彩色圖 B/G/R 分別傳入 [0]/[1]/[2] 。
  • 引數3：要計算的區域ROI，計算整幅圖的話，寫None。
  • 引數4：就是我們上面提到的 BINS ,子區段數目。
  • 引數5：range，要計算的畫素值範圍，一般為 [0,256] 。

接下來我們開始畫圖，首先我們需要使用 calcHist() 來查詢整個影像的直方圖。

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("tiankong.jpg")
# 引數:原影像 通道[0]-B 掩碼 BINS為256 畫素範圍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()

直方圖均衡化

一副效果好的影像通常在直方圖上的分佈比較均勻，直方圖均衡化就是用來改善影像的全域性亮度和對比度。

  • 灰度圖均衡，直接使用 equalizeHist() 函式。
  • 彩色圖均衡，分別在不同的通道均衡後合併。

示例程式碼如下：

import cv2 as cv
import numpy as np

img = cv.imread("dahai.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 灰度圖均衡化
equ = cv.equalizeHist(gray)
# 水平拼接原圖和均衡圖
result1 = np.hstack((gray, equ))
cv.imwrite('grey_equ.png', result1)

# 彩色影像均衡化,需要分解通道 對每一個通道均衡化
(b, g, r) = cv.split(img)
bH = cv.equalizeHist(b)
gH = cv.equalizeHist(g)
rH = cv.equalizeHist(r)
# 合併每一個通道
equ2 = cv.merge((bH, gH, rH))
# 水平拼接原圖和均衡圖
result2 = np.hstack((img, equ2))
cv.imwrite('bgr_equ.png', result2)

結果：


自適應直方圖均衡

上面介紹的直方圖均值化是針對整幅圖片的，這樣有好處也有不好的地方，會導致一些圖片部位太亮，導致大部分細節丟失。如下面這兩張圖片：

直方圖均衡後，背景對比度確實得到了改善。但是在兩個影像中比較雕像的臉,由於亮度過高，丟失了大多數資訊。

因此，為了解決這個問題，引入了 自適應直方圖均衡 來解決這個問題。

它在每一個小區域內（預設 8×8 ）進行直方圖均衡化。當然，如果有噪點的話，噪點會被放大，需要對小區域內的對比度進行了限制。

import cv2 as cv
import numpy as np

img = cv.imread('clahe_src.jpg', 0)

# 全域性直方圖均衡
equ = cv.equalizeHist(img)

# 自適應直方圖均衡
clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8, 8))
cl1 = clahe.apply(img)

# 水平拼接三張影像
result1 = np.hstack((img, equ, cl1))

cv.imwrite('clahe_result.jpg', result1)

參考

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

http://www.woshicver.com/FifthSection/4_10_1_直方圖-1：查詢，繪製，分析/

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

相關文章