OpenCv高階（三）——圖像的直方圖、圖像直方圖的均衡化

一、直方圖

?1、計算并顯示直方圖

2、使用matplotlib方法繪制直方圖（不劃分小的子區間）

3、使用opencv的方法繪制直方圖?（劃分16個小的子亮度區間）

4、繪制彩色圖像的直方圖，將各個通道的直方圖值都畫出來

二、直方圖均衡化

（1）繪制原圖的直方圖

?（2）繪制經過直方圖均衡化后的圖片的直方圖

（3）自適應直方圖均衡化(局部直方圖處理)

三、直方圖均衡化的應用

1.?增強圖像對比度

2.?提升圖像視覺效果

3.?統一圖像灰度分布

4.?適用于低對比度圖像

總結

一、直方圖

直方圖：是圖像中像素強度分布的圖形表達方式，統計各個強度像素值的個數。

直方圖的作用：例如視頻中。通過標記幀和幀之間顯著的邊緣和顏色的統計變化，來檢測視頻中場景的變換。

灰度值在0 - 255范圍之間總共 256 個值，可以將我們的范圍劃分為子部分（稱為bins），例如我們可以將這些像素亮度值劃分為16個區間值，【0，15】、【16，31】，這兩個就是兩個亮度區間，它表示會統計亮度值在0到15的所有像素點的個數。

?1、計算并顯示直方圖

cv2.calcHist(images,channels,mask,histSize,ranges)? 計算圖像的直方圖,用于表示圖像中像素灰度級別的分布情況.
images: 原圖像圖像格式為 uint8 或 ?oat32。當傳入函數時應用中括號 [] 括來例如[img]

channels: 表示傳入的圖像通道數。如果輸入圖像是灰度圖它的值就是 [0]。
????????? 如果是彩色圖像的傳入的參數可以是 [0][1][2] 它們分別對應著 BGR。

mask: 掩模圖像。統計整幅圖像的直方圖就把它為None。但是如果你想統計圖像某一部分的直方圖，你就制作一個掩模圖像并使用它。

histSize:BINS的數目。也需用中括號括來?? （分成多少個區間）
? BINS ：上面的直方圖顯示了每個像素值的像素數，即從0到255。即您需要256個值才能顯示上述直方圖。
????? 但是請考慮一下，如果您不需要單獨查找所有像素值的像素數，而是在像素值間隔內查找像素數，
??????例如，您需要找到介于 0 到 15 之間的像素數，然后是 16 到 31、32到47...、240 到 255。
????? 您只需要 16 個值來表示直方圖。
因此，只需將整個直方圖拆分為 16 個子部分，每個子部分的值就是其中所有像素計數的總和。
這每個子部分都稱為"BIN"。在第一種情況下，條柱數為256（每個像素一個），而在第二種情況下，它只有16。BINS 在 OpenCV 文檔中由術語histSize表示。

ranges: 像素值范圍常為 [0 256]

2、使用matplotlib方法繪制直方圖（不劃分小的子區間）

?這里使用了 numpy 的 ravel 函數，將多維數組拉成一維數組。

img =cv2.imread('../data/310.jpg',cv2.IMREAD_GRAYSCALE)# 轉成一維
a=img.ravel()# 使用 matplotlib 的 hist 函數繪制直方圖。
plt.hist(a,bins=256)
plt.show()# 參數解釋：
# - a：一維數組，即圖像的像素值組成的數組。
# - bins=256：指定直方圖的條數，即灰度級的數量。

效果：可以看出下面結果中有0~256的亮度值的統計情況?

3、使用opencv的方法繪制直方圖?（劃分16個小的子亮度區間）

#這里的calcHist參數在上面有介紹，這里是對img圖片做直方圖統計，采用灰度圖，即零通道，未設置掩膜，劃分為16個區間，亮度值統計[0，256]的值
phone_hist = cv2.calcHist([img],[0],None,[16],[0,256])
plt.plot(phone_hist)#使用calcHist的值繪制曲線圖
plt.show()

效果，統計的值為每個亮度區間內屬于該亮度值的像素點個數

4、繪制彩色圖像的直方圖，將各個通道的直方圖值都畫出來

img=cv2.imread('zl.jpg')
color=('b','g','r')    #設置繪制的折線圖每條線的顏色
for i,col in enumerate(color):    #依次遍歷三個顏色通道histr=cv2.calcHist([img],[i],None,[256],[0,256])    #依次計算每個通道的直方圖值plt.plot(histr,color=col)    #繪制折線圖
plt.show()

效果:分別統計了不同顏色通道下的直方圖

二、直方圖均衡化

直方圖均衡化：直方圖均衡化是一種圖像增強技術，它可以通過增加圖像的對比度和亮度來改善圖像的質量。直方圖均衡化通過將圖像的像素值分布均勻化來實現這一目標。
在Python OpenCV中，可以使用cv2.equalizeHist()函數來實現直方圖均衡化。該函數將輸入圖像轉換為灰度圖像，并將其像素值分布均勻化，從而增強圖像的對比度和亮度。下面是將不均衡的直方圖均衡化之后的結果。

（1）繪制原圖的直方圖

woman = cv2.imread('ja.jpg',cv2.IMREAD_GRAYSCALE)
# # # phone_hist = cv2.calcHist([phone],[0],None,[256],[0,256])
plt.hist(woman.ravel(), bins=256)#numpy中的ravel將數組多維度拉成一維數組
plt.show()

?可以看出圖像的亮度值集中在50左右

?（2）繪制經過直方圖均衡化后的圖片的直方圖

phone_equalize = cv2.equalizeHist(woman)
plt.hist(phone_equalize.ravel(), bins=256)#numpy中的ravel將數組多維度拉成一維數組
plt.show()

與原圖對比，直方圖均衡化是對全局做均衡化，這使亮度值很大的像素點增多了，表現在圖像上就是圖像整體變亮。?

（3）自適應直方圖均衡化(局部直方圖處理)

普通直方圖均衡化（HE）通過全局灰度變換增強對比度，但對噪聲敏感且可能過度放大局部噪聲（如暗部噪聲）。自適應直方圖均衡化（AHE）?將圖像劃分為多個子塊（tiles），對每個子塊獨立進行直方圖均衡化，從而實現局部對比度增強，避免全局均衡化的缺陷。

改進版：限制對比度的自適應直方圖均衡化（CLAHE, Contrast-Limited AHE）：在 AHE 基礎上，通過設定灰度值裁剪閾值（clip limit），防止子塊內噪聲或紋理被過度增強，是實際應用中更常用的方法。

主要優點

局部對比度增強：針對不同區域的局部特征調整對比度，適合光照不均或局部細節豐富的圖像（如醫學影像、衛星圖像）。
抑制噪聲放大：通過裁剪閾值（clip limit）限制子塊內直方圖的峰值，避免噪聲或紋理被過度增強。
保留細節與自然感：相比全局均衡化，CLAHE 在增強局部細節的同時，減少過增強導致的偽影（如棋盤效應）。

函數：cv2.createCLAHE([, clipLimit[, tileGridSize]])?

參數說明：
clipLimit：設定子塊內直方圖均衡化時的灰度值裁剪閾值，單位為 “像素數 / 面積”（即每個灰度級允許的最大像素數密度）。可選項，默認值 8
titleGridSize：設定子塊的大小（行數 × 列數），單位為像素。可選項，默認值 (8,8)。

titleGridSize取值影響：
- 較小尺寸（如 4x4）：局部細節增強更精細，但計算量增加，可能引入棋盤效應（需通過插值緩解）。
- 較大尺寸（如 16x16）：局部處理更粗糙，適合全局對比度增強需求，減少分塊邊界的影響。

創建一個自適應直方圖對像，并將上面的woman這張圖像傳入

clahe = cv2.createCLAHE(clipLimit=1, tileGridSize=(16,16))#通過類創建了一個局部均衡化對象
phone_clahe = clahe.apply(woman)
plt.hist(phone_clahe.ravel(), bins=256)#numpy中的ravel將數組多維度拉成一維數組
plt.show()

自適應直方圖均衡化則是劃分子塊均衡化會減少分塊邊界的影響。?

?使用hstack（）函數水平堆疊上面的三張圖片用于對比，直方圖均衡化與自適應直方圖均衡化的區別

hstack（hconcat）：水平堆疊，沿列方向擴展。
vstack（vconcat）：垂直堆疊，沿行方向擴展（對應函數為?np.vstack?和?cv2.vconcat）。

res = np.hstack((woman,phone_equalize,phone_clahe))
cv2.imshow('phone_equalize',res)
cv2.waitKey(0)

?從左到右依次是原圖、直方圖均衡化、自適應直方圖均衡化

三、直方圖均衡化的應用

1.?增強圖像對比度

原理：將圖像中原本集中的灰度范圍 “拉伸” 到更寬的動態范圍，使圖像中不同灰度級的像素分布更均勻（直方圖趨于平坦）。
效果：讓原本對比度低、細節模糊的圖像（如暗部過暗或亮部過亮）變得更清晰，暗部和亮部的細節更容易分辨。
示例：在醫學影像（如 X 光片）中，均衡化可增強組織間的對比度，便于醫生觀察病灶。

2.?提升圖像視覺效果

通過均衡化，圖像中原本難以區分的灰度區域（如相近的明暗過渡）會變得層次分明，整體視覺效果更自然。
例如：修復老照片時，均衡化可改善因曝光不足或過度導致的細節丟失。

3.?統一圖像灰度分布

將圖像的灰度直方圖調整為近似均勻分布，使像素灰度值覆蓋更廣泛的范圍。
這為后續的圖像處理任務（如圖像分割、特征提取、模式識別等）提供更優質的輸入，提升算法效果。

4.?適用于低對比度圖像

特別適合處理因光照不均、傳感器噪聲等導致對比度低下的圖像（如陰天拍攝的照片、衛星遙感圖像），通過均衡化恢復圖像細節。

總結

直方圖均衡化通過重新分配像素的灰度值，將圖像的動態范圍最大化利用，使圖像從 “對比度不足” 轉變為 “層次豐富”，是圖像處理中基礎且高效的增強手段。其本質是通過數學變換（累積分布函數，CDF）實現灰度的非線性映射，從而優化視覺效果和后續處理的可行性。