17-直方图

何为直方图？没那么高大上，其实就是二维统计图。每个照片都是有像素点所组成，当然也是[0,255]，直方图就是统计每个值所对应的像素点有几个。
直方图横坐标表示0-255这些像素点值；纵坐标表示对应像素点值的个数有多少个，例如：像素为55的像素点有多少个
cv2.calcHist(images,channels,mask,histSize,ranges)
cv2.calcHist([img],[0],None,[256],[0,256])

参数一：images：原图像格式为uint8或float32；当传入函数时应该用中括号括住，通常情况下都是输入的是灰度图
参数二：同样用中括号括起来，它会告诉函数我们图像的直方图；如果输入图像时灰度图它的值就是[0]；如果时彩色图像传入的参数可以是[0][1][2]，分别对应BGR
参数三：掩模图像，说白了就是取部分图像而已；统计整个图像的直方图时就把它设置为None；当然也可以通过掩模来统计图像的某部分的直方图
参数四：BIN的数目，也就是横坐标的总量程而已，一般都是256，也就是0-255这256个像素点值，也需要用中括号括起来
参数五：像素值的范围，一般设置为[0,256]

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

def show_photo(name,picture):#图像显示函数
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('E:Jupyter_workspacestudydata/cat.png',0)#这里的参数0表示以灰度图进行读取
hist = cv2.calcHist([img],[0],None,[256],[0,256])#当然由于是灰度图通道数也只有一个即参数二[0]；参数三None表示没有使用掩模直接输出整体图像的直方图；参数四[256]直方图的横坐标量程；参数五[0,256]像素值的范围
hist.shape#结果为：(256, 1) 其中256表示这个图像中有0-255这256个取值，1表示得到的直方图是二维的，即每个像素出现多少个

plt.hist(img.ravel(),256)
plt.show()


img = cv2.imread('E:Jupyter_workspacestudydata/cat.png')#第二个参数不填表示原图输入，这个图像为彩色图也就是彩色图输入
color = ('b','g','r')
for i,col in enumerate(color):#枚举格式遍历每个颜色通道
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,256])
plt.show()

原图：

原图对应的灰度图的直方图：

原图的BGR直方图：

np.zeros(img.shape[:2],np.uint8)
上面的函数中有掩模的操作，接下来介绍一下掩模mask的定义的操作

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

def show_photo(name,picture):#图像显示函数
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
#创建mast，掩模是由黑白两部分组成的，然后与原图重叠，掩模白色区域对应原图区域不变，黑色区域对应原图区域变黑
mask = np.zeros(img.shape[:2],np.uint8)#这里面的掩码实际上就是边缘黑中间白，此时的mask就和原图片大小相同，uint8表示无符号八位整数0-255之间
print(mask.shape)#结果为：(321, 287)
mask[50:200,50:200] = 255#要保存的东西是白色的，白色区域为要保存的地方，所以将选取地方置为255
show_photo('mask',mask)

img = cv2.imread('E:Jupyter_workspacestudydata/cat.png',0)#灰度图读取照片
print(img.shape)#结果为：(321, 287)
show_photo('img',img)

masked_img = cv2.bitwise_and(img,img,mask=mask)#与操作，也就是有0则0，黑色为0所以说掩码黑色地区都为黑；参数一表示原图像，参数三表示掩模图像
show_photo('masked_img',masked_img)

hist_full = cv2.calcHist([img],[0],None,[256],[0,256])#不带掩模的图像进行统计直方图
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])#带掩模mask的时候统计图像的部分掩模区域的直方图

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()

掩模图像：

原图：

掩模操作后的图像：

上一：原图
上二：自定义的掩模
下一：掩模对应的原图部分
下二：蓝线对应原图的直方图，橙线对应掩模处理的部分原图的直方图

假设某图片部分像素值为：

下面表格中的函数映射中(255-0)表示设置的横轴的量程这里设置的是0-255

均衡化后的像素值为：

均衡化之后发现了这16个数相差的并不是特别大了

cv2.equalizeHist(img)
传入图像对象名称即可进行整体均衡化

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

def show_photo(name,picture):#图像显示函数
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('E:Jupyter_workspacestudydata/people.jpg',0)
plt.hist(img.ravel(),256)#原图像的直方图
plt.show()

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)#均衡化后的直方图
plt.show()

res = np.hstack((img,equ))
show_photo('img_equ',res)#显示原图和均衡化后的图片

原图直方图：

均衡化后的直方图：

原图和均衡化后的图片对比：

直方图的均衡化也就是整体的均衡化，其他像素点值大的地方给平均给其他地方了导致一下细节会丢失
若将原图分成块进行均衡化，每块进行自己块的均衡化效果会比全局整体均衡化更好些
当然，若图像里面噪音太大，局部反而没有整体均衡化好，需要自己事先去衡量一下
cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))
(8,8)表示分块均衡化中块的大小

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

def show_photo(name,picture):#图像显示函数
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('E:Jupyter_workspacestudydata/people.jpg',0)
plt.hist(img.ravel(),256)#原图像的直方图

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)#均衡化后的直方图

clahe = cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))#自定义均衡化，每8*8分成块，按块进行均衡化
res_clahe = clahe.apply(img)

res = np.hstack((img,equ,res_clahe))
show_photo('img_equ_clahe',res)

原图-整体均衡化-自定义均衡化