1、灰度直方图

1.1 基本概念和作用

表示图像中每个灰度级别的像素数量。用于分析图像的亮度分布情况。

1.2 代码示例

参数介绍

hist = cv2.calcHist(images, channels, mask, histSize, ranges, hist, accumulate)

-images：输入图像的列表。对于灰度图像，它只包含一个元素（即一幅图像）。对于彩色图像，通常会传入一个包含所有颜色通道的列表。
-channels：指定要统计直方图的通道。对于灰度图像，值为[0]；对于彩色图像，可以传入[0]、[1]、[2]分别表示蓝、绿、红通道。如果是彩色图像，也可以同时统计多个通道，例如[0, 1, 2]表示统计所有通道。
-mask：可选参数，用于指定计算直方图的区域。如果不需要指定区域，传入None
-histSize：指定直方图的大小，即灰度级别的个数。对于灰度图像，通常设置为256，表示从0到255的灰度级别。对于彩色图像，可以设置为256，表示每个通道的灰度级别。
-ranges：指定像素值的范围。通常为[0, 256]，表示灰度级别的范围。对于彩色图像，例如[0, 256, 0, 256, 0, 256]表示三个通道各自的范围。
-hist：可选参数，用于存储计算得到的直方图。如果不提供，函数会返回直方图
-accumulate：

示例

import cv2
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('../images/1.jpg', cv2.IMREAD_GRAYSCALE)

# 计算灰度直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])

# 显示原图
plt.subplot(2, 1, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')

# 显示灰度直方图
plt.subplot(2, 1, 2)
plt.plot(hist)
plt.title('Grayscale Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')

# 调整子图布局，避免重叠
plt.tight_layout()

# 显示图像和直方图
plt.show()

2、BGR直方图

2.1 基本概念和作用

BGR直方图是一种用于可视化彩色图像中蓝色（Blue）、绿色（Green）和红色（Red）三个通道的像素值分布情况的工具。了解图像中颜色的分布情况。通过分析BGR直方图，可以得知图像中某个颜色通道的强度，从而更好地理解图像的颜色特性。

2.2 代码示例

import cv2
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv2.imread('../images/2.jpg')

# 分离通道
b, g, r = cv2.split(image)

# 计算各通道的直方图
hist_b = cv2.calcHist([b], [0], None, [256], [0, 256])
hist_g = cv2.calcHist([g], [0], None, [256], [0, 256])
hist_r = cv2.calcHist([r], [0], None, [256], [0, 256])

# 显示彩色图像
plt.subplot(2, 1, 1)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.title('Original Image')

# 显示BGR直方图
plt.subplot(2, 1, 2)
plt.plot(hist_b, color='blue', label='Blue')
plt.plot(hist_g, color='green', label='Green')
plt.plot(hist_r, color='red', label='Red')
plt.title('BGR Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.legend()

# 调整子图布局，避免重叠
plt.tight_layout()
# 显示图像和直方图
plt.show()

3、灰度直方图均衡

1. 基本概念和作用

用于增强图像对比度的技术，通过调整图像中各个灰度级别的像素分布，使得整个灰度范围更均匀地覆盖，从而提高图像的视觉质量。这个过程可以使暗部和亮部细节更加清晰可见，改善图像的视觉效果。

2. 代码示例

import cv2
import matplotlib.pyplot as plt

# 读取灰度图像
image = cv2.imread('../images/3.jpg', cv2.IMREAD_GRAYSCALE)

# 进行灰度直方图均衡
equalized_image = cv2.equalizeHist(image)

# 显示原始灰度图像
plt.subplot(2, 1, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Grayscale Image')

# 显示均衡后的灰度图像
plt.subplot(2, 1, 2)
plt.imshow(equalized_image, cmap='gray')
plt.title('Equalized Grayscale Image')

# 调整子图布局，避免重叠
plt.tight_layout()

# 显示图像
plt.show()

4、直方图变换（查找）

4.1 基本概念和作用

直方图变换，也称为直方图查找，是一种用于调整图像对比度的技术。它通过变换图像的灰度级别，将原始图像的灰度分布均匀化，使得图像中所有灰度级别的像素值分布更加平均。这样可以增强图像的对比度，使细节更加突出，提高图像的视觉质量。
直方图变换的核心思想是调整图像中各个灰度级别的像素值，使得灰度值的分布更均匀，从而实现对比度的增强。

4.2 代码示例

# 1 导入库
import cv2
import matplotlib.pyplot as plt
import numpy as np


# 2 方法：显示图片
def show_image(image, title, pos):
    #  顺序转换：BGR TO RGB
    image_RGB = image[:, :, ::-1]  # shape : (height, width, channel)
    # 显示标题
    plt.title(title)
    plt.subplot(2, 3, pos)  # 定位
    plt.imshow(image_RGB)


# 3 方法：显示图片的灰度直方图
def show_histogram(hist, title, pos, color):
    # 显示标题
    plt.title(title)
    plt.subplot(2, 3, pos)  # 定位图片
    plt.xlabel("Bins")  # 横轴信息
    plt.ylabel("Pixels")  # 纵轴信息
    plt.xlim([0, 256])  # 范围
    plt.plot(hist, color=color)  # 绘制直方图


# 4 主函数 main()
def main():
    # 5 创建画布
    plt.figure(figsize=(15, 6))  # 画布大小
    plt.suptitle("Gray Image Histogram", fontsize=14, fontweight="bold")  # 设置标题形式

    # 6 加载图片
    img = cv2.imread("../images/4.jpg")

    # 7 灰度转换
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 8 计算灰度图的直方图
    hist_img = cv2.calcHist([img_gray], [0], None, [256], [0, 256])

    # 9 展示灰度直方图
    # 灰度图转换成BGR格式图片
    img_BGR = cv2.cvtColor(img_gray, cv2.COLOR_GRAY2BGR)
    show_image(img_BGR, "BGR image", 1)
    show_histogram(hist_img, "gray image histogram", 4, "m")

    # 10 对图片中的每个像素值增加50个像素
    M = np.ones(img_gray.shape, np.uint8) * 50  # 构建矩阵

    added_img = cv2.add(img_gray, M)
    add_img_hist = cv2.calcHist([added_img], [0], None, [256], [0, 256])  # 计算直方图
    added_img_BGR = cv2.cvtColor(added_img, cv2.COLOR_GRAY2BGR)
    show_image(added_img_BGR, "added image", 2)
    show_histogram(add_img_hist, "added image hist", 5, "m")

    # 11 对图片中的每个像素值减去50个像素
    subtract_img = cv2.subtract(img_gray, M)
    subtract_img_hist = cv2.calcHist([subtract_img], [0], None, [256], [0, 256])  # 计算直方图
    subtract_img_BGR = cv2.cvtColor(subtract_img, cv2.COLOR_GRAY2BGR)
    show_image(subtract_img_BGR, "subtracted image", 3)
    show_histogram(subtract_img_hist, "subtracted image hist", 6, "m")

    plt.show()


if __name__ == '__main__':
    main()

图片中每个像素都增加五十个像素和减少五十像素的效果