Python OpenCV 图像处理之图像直方图，取经之旅第 2

Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。

基础知识铺垫

截止到本篇博客，已经第二次听到直方图这个概念了，有必要将其搞懂。

图像直方图（histogram）是图像统计学特征，用来统计像素值出现的频次，常用在分析图像的基本特征。

创建直方图一般分为两个步骤：

1. 统计数据
2. 绘制直方图

直方图的定义

• 横坐标：图像中各个像素点的灰度级
• 纵坐标：该灰度级的像素个数

绘制直方图需要 matplotlib 库，这个需要自行安装一下。

matplotlib 中 pyplot 绘制直方图

在 pyplot 中提供了一个绘制直方图的函数，名称为 hist。

函数原型介绍

matplotlib.pyplot.hist() 函数原型如下

(n, bins, patches)=matplotlib.pyplot.hist(x, bins=None, range=None, density=None, weights=None,
cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical',
rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, *, data=None, **kwargs)

参数非常多，实际应用中只需掌握几个重要参数。

最简单的测试代码如下：

import numpy as np
import matplotlib.pyplot as plt

# 生成数据，以 10000 组均值为0，标准差为 1 的高斯分布数据为例
data = np.random.normal(0,1,10000)

n, bins, patches = plt.hist(data)
plt.show()

运行效果如下：

20210125165332331[1].png

其中，np.random.normal(0,1,10000) 函数说明如下，np.random.normal() 是一个正态分布，normal这里是正态的意思。

该函数原型为：

numpy.random.normal(loc=0.0, scale=1.0, size=None)

参数说明如下：

• loc：概率分布的均值，对应着整个分布的中心 center
• scale：概率分布的标准差，对应于分布的宽度，scale 越大，越矮胖，scale 越小，越瘦高
• size：数据类型为 int or tuple of ints， 输出的 shape，默认为 None，只输出一个值

其实该函数的目的就是，输出为高斯分布的一组数或一个值。
简单案例：

data = np.random.normal(loc=0, scale=1, size=2)
print(data)

继续回顾 matplotlib.pyplot.hist() 函数的相关参数（官网说明）：

只选取其中比较重要的几个参数如下：

• x：(n,) array or sequence of (n,) arrays
  指定要绘制直方图的数据,必须是一维数组.使用.ravel()将你的通道值转为一维数组
• bins：integer or sequence or ‘auto’, optional
  指定直方图条形的个数，integer 或 auto,也可以不设置.举例[1,2,3,4],则第一个柱为取值[1,2),一次类推,最后一个是取值[3,4].默认 taken from the rcParam hist.bins.
• range：tuple or None, optional
  数组或者不给.给出数组将指定直方图数据的上下界，超出范围的舍弃.不设置的话包含绘图数据的最大值和最小值；默认为 None

基于上述内容，将一副图像的直方图显示出来。

做一些准备工作

• x： 图像，必须是一维数组
• 其中函数 ravel b = a.ravel()
  功能： 将多维数组降为一维数组
  格式： 一维数组=多维数组.revel()
• bins： 一般是 256，指[0, 255]

以上内容掌握之后，就可以处理图像的直方图了，代码如下：

import cv2
from matplotlib import pyplot as plt


def plot_demo(image):
    # numpy 的 ravel 函数功能是将多维数组降为一维数组
    plt.hist(image.ravel(), 256, [0, 256])
    plt.show()


if __name__ == "__main__":
    img = cv2.imread("./106.jpg")
    cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE)
    cv2.imshow("input image", img)
    plot_demo(img)

    cv2.waitKey(0)
    cv2.destroyAllWindows()

20210125171053391[1].png

python opencv 直方图（histogram）

函数原型介绍

在 Python OpenCV 中实现直方图的函数为cv2.calcHist，原型如下：

# 返回 hist
cv2.calcHist(img, channels, mask, histSize, ranges[, hist[, accumulate ]])

参数说明：

• img：图像，方括号方式传入，即[img]；
• channels：选取图像的哪个通道，用方括号给出的，计算直方图的 channel 的索引，如果输入时灰度图，值就是 [0]，对于彩色图片，你可以传 [0] ，[1] 和 [2] 来分别计算蓝色，绿色和红色通道的直方图；
• mask：掩膜，如果要找整个图像的直方图，这里传入"None"。如果你想找到特定区域图片的直方图，需要使用掩膜，只计算值>0 的位置上像素的颜色直方图
• histSize：直方图大小，BINS 数量（BINS 是啥，下面细说），要方括号传入，对于全刻度，传入 [256]
• ranges：直方图范围，一般来说是[0,256]

关于上文提及的 BINS 等内容涉及直方图如下概念：

• BINS: 在上面的直方图当中，如果像素值是 0 到 255，则需要 256 个值来显示直方图。
  但是，如果不需要知道每个像素值的像素数目，只想知道两个像素值范围内的像素点数目即可？首先像素值在 0--15 之间的像素点数目，然后是 16--31 ……直到 240--255，即每次间隔 16 个数字，将 256 个值分成 16 份，每份计算综合。每个分成的小组就是一个 BIN（箱）。在 opencv 中使用 histSize 表示 BINS。

彩色图像，不同通道的直方图

首先绘制蓝色通道的直方图，代码如下：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('./106.jpg')
hist = cv.calcHist([img], [0], None, [256], [0,256])

plt.plot(hist, label='B', color='b')
plt.show()

运行结果如下：

20210125202235780[1].png

三个通道同时绘制代码如下：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('./106.jpg')
color = ('b', 'g', 'r')
for i, col in enumerate(color):

    hist = cv.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(hist, color=col)
    plt.xlim([0, 256])
plt.show()

BGR 直方图如下：

2021012520254698[1].png

直方图均衡化 （Histogram Equalization）

如果图像的灰度分布不均匀，集中在一个比较窄的范围内，这样图像的细节就会不清晰，对比度低。

这种情况可以使用直方图均衡化，对图像进行非线性拉伸，重新分配图像的灰度值，使一定范围内图像的灰度值大致相等。

执行之后，直方图中间峰值部分对比度增强，两侧谷底部分对比度降低。图像的灰度范围拉伸之后，灰度均匀分布，反差增大，增强图像细节。

理论的东西就是上面那些了，实操起来才可以看到效果。

函数原型介绍

使用 cv2.equalizeHist 方法来得到直方图均衡化之后的图像，函数原型如下：

cv2.equalizeHist(src[, dst])

参数说明：

• src：源图像。图像必须是灰度图。
• dst：目标图像。

测试代码如下：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

image = cv.imread("2o.jpg")
# 将图片转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
cv.imshow("gray", gray)

# 直方图绘制
hist = cv.calcHist([gray], [0], None, [256], [0, 256])
plt.plot(hist)
plt.show()

# 应用直方图均衡化
dst = cv.equalizeHist(gray)
cv.imshow("dst", dst)

# 直方图绘制
hist = cv.calcHist([dst], [0], None, [256], [0, 256])
plt.plot(hist)
plt.show()

运行结果与直方图：

20210125205905178[1].png

运行直方图均衡化之后的图像如下：

20210125205936297[1].png

上述案例为灰度图直方图均衡化，对于彩色图像一样可以进行图像增强操作。

import cv2 as cv
import numpy as np
img = cv.imread('th.jpeg')
cv.imshow('img', img)
b, g, r = cv.split(img)
bH = cv.equalizeHist(b)
gH = cv.equalizeHist(g)
rH = cv.equalizeHist(r)
dst = cv.merge((bH, gH, rH))
cv.imshow('dst', dst)
cv.waitKey(0)

使用cv2.split函数分离图像的颜色通道，分别得到各个通道的直方图，再使用cv2.merge函数合并各通道，得到彩色图像的直方图均衡化。

20210125210633576[1].png

以上提及的叫做全局直方图均衡化，下面为大家在介绍一下局部直方图均衡化。

局部直方图均衡化在有的地方也被叫做 CLAHE 有限对比适应性直方图均衡化。

大概实现过程如下：
整幅图像会被分成很多小块，这些小块被称为 “tiles”（tiles 的默认大小是 8x8），然后再对每一个小块分别进行直方图均衡化。

函数原型如下：

cv2.createCLAHE(clipLimit, tileGridSize)

参数说明：

• clipLimit：对比度限制的阈值
• tileGridSize：图像分割每块的尺寸，默认 8x8

运行下述代码，得到的结果可以与全局直方图均衡化做一下比较。

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

image = cv.imread("2o.jpg")
# 将图片转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
cv.imshow("gray", gray)

# 直方图绘制
hist = cv.calcHist([gray], [0], None, [256], [0, 256])
plt.plot(hist)
plt.show()

# 应用直方图均衡化
# 1. 实例化自适应直方图均衡化函数
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
# 2. 进行自适应直方图均衡化
dst = clahe.apply(gray)
cv.imshow("dst", dst)

# 直方图绘制
hist = cv.calcHist([dst], [0], None, [256], [0, 256])
plt.plot(hist)
plt.show()

20210125211452816[1].png

橡皮擦的小节

今天重点学习了一下直方图，写了这么多，只有一个原因，就是这是第二次碰到了，当一个知识点再次出现时，就要在进一步的学习下，因为大概率它是重点知识。

相关阅读

---

1. Python 爬虫 100 例教程，超棒的爬虫教程，立即订阅吧
2. Python 爬虫小课，精彩 9 讲

---

今天是持续写作的第 <font color="red">65</font> / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。

---