前文傳送門：
「Python 圖像處理 OpenCV （1）：入門」
「Python 圖像處理 OpenCV （2）：像素處理與 Numpy 操作以及 Matplotlib 顯示圖像」
「Python 圖像處理 OpenCV （3）：圖像屬性、圖像感興趣 ROI 區域及通道處理」
「Python 圖像處理 OpenCV （4）：圖像算數運算以及修改顔色空間」
「Python 圖像處理 OpenCV （5）：圖像的幾何變換」
「Python 圖像處理 OpenCV （6）：圖像的門檻值處理」
「Python 圖像處理 OpenCV （7）：圖像平滑（濾波）處理」
「Python 圖像處理 OpenCV （8）：圖像腐蝕與圖像膨脹」
「Python 圖像處理 OpenCV （9）：圖像處理形态學開運算、閉運算以及梯度運算」
「Python 圖像處理 OpenCV （10）：圖像處理形态學之頂帽運算與黑帽運算」
「Python 圖像處理 OpenCV （11）：Canny 算子邊緣檢測技術」
「Python 圖像處理 OpenCV （12）： Roberts 算子、 Prewitt 算子、 Sobel 算子和 Laplacian 算子邊緣檢測技術」
「Python 圖像處理 OpenCV （13）： Scharr 算子和 LOG 算子邊緣檢測技術」
「Python 圖像處理 OpenCV （14）：圖像金字塔」
「Python 圖像處理 OpenCV （15）：圖像輪廓」
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：
那麼圖像灰階直方圖是什麼鬼？
直方圖是都是由橫縱坐标組成的，而圖像直方圖的橫坐标 X 軸上表示的是像素值（不總是從 0 到 255 的範圍），在縱坐标 Y 軸上表示的相應像素數。
是以，直方圖是可以對整幅圖的灰階分布進行整體了解的圖示，通過直方圖我們可以對圖像的對比度、亮度和灰階分布等有一個直覺了解。
還沒看懂？簡單地說，就是把一幅圖像中每一個像素出現的次數都先統計出來，然後把每一個像素出現的次數除以總的像素個數，得到的就是這個像素出現的頻率，然後再把像素與該像素出現的頻率用圖表示出來，就是灰階直方圖。
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：
- 左側區域顯示圖像中較暗像素的數量（左側的灰階級更趨近于 0 ）。
- 右側區域則顯示明亮像素的數量（右側的灰階級更趨近于 255）。
- 暗區域多于亮區域，而中間調的數量（中間值的像素值，例如127附近）則非常少。
繪制直方圖
在繪制直方圖的時候，有兩種方法：
- 使用 Matplotlib 繪圖功能。
- 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制。
在看示例代碼之前，有兩個參數需要先介紹下：
- 資料源：資料源必須是一維數組，通常需要通過函數
ravel()
ravel()
- 像素級：一般是 256 ，表示 [0, 255] 。
代碼實作：
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，我們除了可以繪制灰階直方圖以外，還可以繪制出
r,g,b
不同通道的直方圖，可以看下面的代碼：
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 繪制直方圖
使用 OpenCV 繪制直方圖還是有點費勁兒的，首先我們确認橫坐标是圖像中各個像素點的灰階級，縱坐标是具有該灰階級的像素個數。
接下來要介紹幾個新概念：
BINS：
在前面的直方圖中，我們顯示的是每個像素值的像素數，即從 0 到 255 。那麼現在會有一個問題，如果一個直方圖我并不想找到所有的像素數量，而是取一定範圍内的像素值，如：先找到 0 到 15 之間的像素數，然後找到 16 到 31 之間，......， 240 到 255 之間的像素數。
這樣，我們将這個直方圖分成了 16 個子部分，每個子部分的值就是其中所有像素數的總和。每個子部分都稱為 BIN 。在第一種情況下， BIN 的數量為 256 個（每個像素一個），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參數的數量。在這種情況下，我們僅收集關于強度值的一件事的資料。是以這裡是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 的繪制直方圖，我們會用到一個新的函數
calcHist()
，它的原函數如下：
def calcHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None):
- 參數1：要計算的原圖，以方括号的傳入，如：[img]。
- 參數2：灰階圖寫[0]就行，彩色圖 B/G/R 分别傳入 [0]/[1]/[2] 。
- 參數3：要計算的區域ROI，計算整幅圖的話，寫None。
- 參數4：就是我們上面提到的 BINS ,子區段數目。
- 參數5：range，要計算的像素值範圍，一般為 [0,256] 。
接下來我們開始畫圖，首先我們需要使用
calcHist()
來查找整個圖像的直方圖。
import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread("tiankong.jpg")
# 參數:原圖像 通道[0]-B 掩碼 BINS為256 像素範圍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
一副效果好的圖像通常在直方圖上的分布比較均勻，直方圖均衡化就是用來改善圖像的全局亮度和對比度。
- 灰階圖均衡，直接使用
equalizeHist()
- 彩色圖均衡，分别在不同的通道均衡後合并。
示例代碼如下：
import cv2 as cv
import numpy as np
img = cv.imread("dahai.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 灰階圖均衡化
equ = cv.equalizeHist(gray)
# 水準拼接原圖和均衡圖
result1 = np.hstack((gray, equ))
cv.imwrite('grey_equ.png', result1)
# 彩色圖像均衡化,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)
# 合并每一個通道
equ2 = cv.merge((bH, gH, rH))
# 水準拼接原圖和均衡圖
result2 = np.hstack((img, equ2))
cv.imwrite('bgr_equ.png', result2)
結果：
自适應直方圖均衡
上面介紹的直方圖均值化是針對整幅圖檔的，這樣有好處也有不好的地方，會導緻一些圖檔部位太亮，導緻大部分細節丢失。如下面這兩張圖檔：
直方圖均衡後，背景對比度确實得到了改善。但是在兩個圖像中比較雕像的臉,由于亮度過高，丢失了大多數資訊。
是以，為了解決這個問題，引入了 自适應直方圖均衡 來解決這個問題。
它在每一個小區域内（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，需要對小區域内的對比度進行了限制。
import cv2 as cv
import numpy as np
img = cv.imread('clahe_src.jpg', 0)
# 全局直方圖均衡
equ = cv.equalizeHist(img)
# 自适應直方圖均衡
clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8, 8))
cl1 = clahe.apply(img)
# 水準拼接三張圖像
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：查找，繪制，分析/
https://zhuanlan.zhihu.com/p/61879400
掃描二維碼關注「極客挖掘機」公衆号！作者：極客挖掘機
定期發表作者的思考：技術、産品、營運、自我提升等。
本文版權歸作者極客挖掘機和部落格園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文連接配接，否則保留追究法律責任的權利。
如果您覺得作者的文章對您有幫助，就來作者個人小站逛逛吧：
極客挖掘機