直方圖

何為直方圖？沒那么高大上，其實就是二維統計圖。每個照片都是有像素點所組成，當然也是[0,255]，直方圖就是統計每個值所對應的像素點有幾個。
直方圖橫坐標表示0-255這些像素點值；縱坐標表示對應像素點值的個數有多少個，例如：像素為55的像素點有多少個
cv2.calcHist(images,channels,mask,histSize,ranges)
cv2.calcHist([img],[0],None,[256],[0,256])

參數一：images：原圖像格式為uint8或float32；當傳入函數時應該用中括號括住，通常情況下都是輸入的是灰度圖
參數二：同樣用中括號括起來，它會告訴函數我們圖像的直方圖；如果輸入圖像時灰度圖它的值就是[0]；如果時彩色圖像傳入的參數可以是[0][1][2]，分別對應BGR
參數三：掩模圖像，說白了就是取部分圖像而已；統計整個圖像的直方圖時就把它設置為None；當然也可以通過掩模來統計圖像的某部分的直方圖
參數四：BIN的數目，也就是橫坐標的總量程而已，一般都是256，也就是0-255這256個像素點值，也需要用中括號括起來
參數五：像素值的范圍，一般設置為[0,256]

import cv2
import numpy as np
from matplotlib import pyplot as pltdef show_photo(name,picture):#圖像顯示函數cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img = cv2.imread('E:\Jupyter_workspace\study\data/cat.png',0)#這里的參數0表示以灰度圖進行讀取
hist = cv2.calcHist([img],[0],None,[256],[0,256])#當然由于是灰度圖通道數也只有一個即參數二[0]；參數三None表示沒有使用掩模直接輸出整體圖像的直方圖；參數四[256]直方圖的橫坐標量程；參數五[0,256]像素值的范圍
hist.shape#結果為：(256, 1) 其中256表示這個圖像中有0-255這256個取值，1表示得到的直方圖是二維的，即每個像素出現多少個plt.hist(img.ravel(),256)
plt.show()img = cv2.imread('E:\Jupyter_workspace\study\data/cat.png')#第二個參數不填表示原圖輸入，這個圖像為彩色圖也就是彩色圖輸入
color = ('b','g','r')
for i,col in enumerate(color):#枚舉格式遍歷每個顏色通道histr = cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color = col)plt.xlim([0,256])
plt.show()

原圖：

原圖對應的灰度圖的直方圖：

原圖的BGR直方圖：

掩模mask

np.zeros(img.shape[:2],np.uint8)
上面的函數中有掩模的操作，接下來介紹一下掩模mask的定義的操作

import cv2
import numpy as np
from matplotlib import pyplot as pltdef show_photo(name,picture):#圖像顯示函數cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()#創建mast，掩模是由黑白兩部分組成的，然后與原圖重疊，掩模白色區域對應原圖區域不變，黑色區域對應原圖區域變黑
mask = np.zeros(img.shape[:2],np.uint8)#這里面的掩碼實際上就是邊緣黑中間白，此時的mask就和原圖片大小相同，uint8表示無符號八位整數0-255之間
print(mask.shape)#結果為：(321, 287)
mask[50:200,50:200] = 255#要保存的東西是白色的，白色區域為要保存的地方，所以將選取地方置為255
show_photo('mask',mask)img = cv2.imread('E:\Jupyter_workspace\study\data/cat.png',0)#灰度圖讀取照片
print(img.shape)#結果為：(321, 287)
show_photo('img',img)masked_img = cv2.bitwise_and(img,img,mask=mask)#與操作，也就是有0則0，黑色為0所以說掩碼黑色地區都為黑；參數一表示原圖像，參數三表示掩模圖像
show_photo('masked_img',masked_img)hist_full = cv2.calcHist([img],[0],None,[256],[0,256])#不帶掩模的圖像進行統計直方圖
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])#帶掩模mask的時候統計圖像的部分掩模區域的直方圖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)
plt.xlim([0,256])
plt.show()

掩模圖像：

原圖：

掩模操作后的圖像：

上一：原圖
上二：自定義的掩模
下一：掩模對應的原圖部分
下二：藍線對應原圖的直方圖，橙線對應掩模處理的部分原圖的直方圖

直方圖均衡化

假設某圖片部分像素值為：

255	128	200	50
50	200	255	50
255	200	128	128
200	200	255	50

下面表格中的函數映射中(255-0)表示設置的橫軸的量程這里設置的是0-255

灰度值	像素個數	概率	累積概率	根據函數映射后灰度值	取整
50	4	4/16 = 0.25	0.25	0.25*(255-0)=63.75	64
128	3	3/16 = 0.1875	0.25+0.1875=0.4375	0.4375*(255-0)=111.5625	112
200	5	5/16 = 0.3125	0.25+0.1875+0.3125=0.75	0.75*(255-0)=191.25	191
255	4	4/16 = 0.25	0.25+0.1875+0.3125+0.25=1	1*(255-0)=255	255

均衡化后的像素值為：

255	112	191	64
64	191	255	64
255	191	112	112
192	191	255	255

均衡化之后發現了這16個數相差的并不是特別大了

cv2.equalizeHist(img)
傳入圖像對象名稱即可進行整體均衡化

import cv2
import numpy as np
from matplotlib import pyplot as pltdef show_photo(name,picture):#圖像顯示函數cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img = cv2.imread('E:\Jupyter_workspace\study\data/people.jpg',0)
plt.hist(img.ravel(),256)#原圖像的直方圖
plt.show()equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)#均衡化后的直方圖
plt.show()res = np.hstack((img,equ))
show_photo('img_equ',res)#顯示原圖和均衡化后的圖片

原圖直方圖：

均衡化后的直方圖：

原圖和均衡化后的圖片對比：

均衡化后的圖像臉上的細節變得更加模糊了，尷尬不？？？

這時候就需要自定義均衡化

自定義均衡化

直方圖的均衡化也就是整體的均衡化，其他像素點值大的地方給平均給其他地方了導致一下細節會丟失
若將原圖分成塊進行均衡化，每塊進行自己塊的均衡化效果會比全局整體均衡化更好些
當然，若圖像里面噪音太大，局部反而沒有整體均衡化好，需要自己事先去衡量一下
cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))
(8,8)表示分塊均衡化中塊的大小

import cv2
import numpy as np
from matplotlib import pyplot as pltdef show_photo(name,picture):#圖像顯示函數cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img = cv2.imread('E:\Jupyter_workspace\study\data/people.jpg',0)
plt.hist(img.ravel(),256)#原圖像的直方圖equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)#均衡化后的直方圖clahe = cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))#自定義均衡化，每8*8分成塊，按塊進行均衡化
res_clahe = clahe.apply(img)res = np.hstack((img,equ,res_clahe))
show_photo('img_equ_clahe',res)

原圖-整體均衡化-自定義均衡化