第一节、图像统计信息

1.像素值统计

---

对单通道来说，一个像素点除了R,G,B三个维度之外，还有两个维度表示位置信息x,y，所以一个单通道的图片，每个像素点是五个维度。

对像素值进行统计与像素所处的位置无关只是单纯统计数值的大小。

（图像像素在OpenCV中相当于数组）

例如：

• 以单通道为例

  • 均值

• 均值 + 方差

• 根据计算出来的均值和方差，可以对图像所携带的信息做出一些判断。
  比如方差，方差就是数据的分散程度（偏离均值）。图像中有个人和有辆车，那么他们的灰度值是不同的（颜色不同），你把全图像的灰度值取平均，偏离平均值越大，方差越大。方差越大，说明信息越多，能量越大。

• 方差为0，说明该图片的像素点没有变化，是张纯色图片，说明图片不携带任何有效信息。
  

• 极值（最大、最小）
  

OpenCV中多通道计算均值方差，是在每个通道上分别计算的。

2.函数支持说明

---

1. cv.mean(src[, mask]	) ->retval
2. cv.meanStdDev(src[, mean[, stddev[, mask]]]) ->mean, stddev
3. cv.minMaxLoc(src[, mask]) ->minVal, maxVal, minLoc, maxLoc
# src表示输入图像,mask表示计算区域，不写mask表示计算全图
# mean, stddev, minVal, maxVal分别表示均值，标准方差，最小与最大
4. Dst = (Src-mean) * contrast + mean  # 简单应用 -- 对比度

3.代码练习与测试

---

# 简单应用 -- 对比度
Dst = (Src-mean) * contrast + mean
# contrast < 1.0 降低对比度
# contrast > 1.0 提升对比度
# 例如，均值是70，100-70=30，当contrast=0.5时，差值变为30*0.5=15。

# 图像像素统计 -- 改变对比度 + 均值
def stats_demo_2():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\butterfly.jpg")
    cv.namedWindow("butterfly", cv.WINDOW_AUTOSIZE)
    cv.imshow("butterfly", image)
    # 计算全图均值
    bgr_m = cv.mean(image)
    # 对原图像设置低对比度
    sub_m = np.float32(image)[:, :] - (bgr_m[0], bgr_m[1], bgr_m[2])
    result = sub_m * 0.5  # 提升差值
    result = result[:, :] + (bgr_m[0], bgr_m[1], bgr_m[2])  # 提升差值之后还要把均值加上去
    cv.imshow("low-contrast-butterfly", cv.convertScaleAbs(result))  # convertScaleAbs转换为绝对值，然后转成CV_8UC
    # 对原图像设置高对比度
    result2 = sub_m * 2.0  # 提升差值
    result2 = result2[:, :] + (bgr_m[0], bgr_m[1], bgr_m[2])  # 提升差值之后还要把均值加上去
    cv.imshow("high-contrast-butterfly", cv.convertScaleAbs(result2))  # convertScaleAbs转换为绝对值，然后转成CV_8UC
    # 输出不同对比度下的图片均值
    m1 = cv.mean(image)
    m2 = cv.mean(cv.convertScaleAbs(result))
    m3 = cv.mean(cv.convertScaleAbs(result2))
    print("image:", m1)
    print("result_low:", m2)
    print("result_high:", m3)
    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：

上面三张图片的像素均值：可以看出均值可以反应出图片的明暗程度

# 图像像素统计 -- 均值、方差、极值（最大、最小）
def stats_demo_1():
    # 计算均值和方差
    roi = np.array([[5, 3, 4], [9, 6, 7], [8, 2, 3]], dtype=np.uint8)  # 定义一个3*3的数组
    mask = np.array([[0, 3, 0], [0, 6, 0], [0, 2, 0]], dtype=np.uint8)  # 定义一个mask区域
    m1 = cv.meanStdDev(roi)  # 计算全图均值，方差
    m2 = cv.meanStdDev(roi, mask=mask)  # 计算mask区域的均值，方差
    minx, maxx, minx_loc, max_loc = cv.minMaxLoc(roi)  # 计算最小值，最大值，最小值坐标，最大值坐标
    print("roi:\n", roi, "\n", "mask:\n", mask)
    print("m1:", m1, "\n", "m2: ", m2)
    print("min: ", minx, " max: ", maxx, " min_loc: ", minx_loc, " max_loc: ", max_loc)
    # 计算均值
    m3 = cv.mean(roi)  # 计算全图均值
    # 计算结果是四个值，对应四个通道，opencv使用mat(数组矩阵)来表示图片数据，其中四个通道分别表示R,G,B,透明度
    m4 = cv.meanStdDev(roi, mask=mask)  # 计算mask区域的均值和方差
    print("roi:\n", roi, "\n", "mask:\n", mask)
    print("m3: ", m3, "\n", "m4: ", m4)

结果示例：

第二节、图像直方图

1.图像直方图定义

---

图像直方图就是图像像素值的分布

例如，有图像数据8x8，像素值范围0~14共15个灰度等级，统计得到各个等级(x)出现次数(y)及直方图如右侧所示，每个紫色的长条叫BIN

每一个图像都可以绘制出自己的图像直方图

三个通道三个不同的直方图分布，将上图中的每个顶点连成线

注意：两个图像直方图相同，但是图像可能不同，因为直方图只关注了像素信息，没有关注空间位置信息。

2.直方图函数

---

1. calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) -> hist
# images表示图像
# channels表示通道
# mask 默认None
# histSzie表示bin的个数，横坐标的等级个数
# ranges表示通道的取值范围
# 例如 hist = cv.calcHist([image], [i], None, [32], [0, 255])
# image输入图像
# i表示通道索引
# mask=None
# 表示分为32个bin
# 表示取值范围0~256，即每个bin是256/32 = 每个范围的步长为8，即8个灰度等级
# hsv中h通道的取值范围为0-180，sv取值范围为0-255

3.代码练习与测试

---

# 图像直方图
def image_hist():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\ml.png")
    cv.imshow("input", image)
    color = ('blue', 'green', 'red')
    # enumerate遍历数组类型同时返回下标和对应数组值
    for i, color in enumerate(color):
        # 一共分32类，每一类256/32步长，按照B,G,R的通道顺序一次使用blue,green,red颜色绘制
        hist = cv.calcHist([image], [i], None, [32], [0, 255])
        print(hist.dtype)
        plt.plot(hist, color=color)
        plt.xlim([0, 32])
    plt.show()
    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：

第三节、图像直方图均衡化

1.直方图均衡化

---

均衡化作用：

• 提升对比度（通过拉大低值和高值之间的差距）
• 灰度图像支持

• k类别名
• rk每类对应的等级分数
• nk每类的像素点数
• nk/n占总像素的比例
• Sk表示累计(0.44 = 0.19+0.25)
• ps(sk)表示每一个s累计之后所属类的概率

三个通道三个不同的直方图分布

2.直方图均衡化函数

---

cv.equalizeHist(src[, dst]) --> dst
# src必须是八位(0,255)单通道图像(即必须是个灰度图像)
# dst返回结果图像，类型与src保持一致

3.代码练习与测试

---

# 图像直方图均衡化
def image_eq_demo():
    # 直接读入灰度图片
    # image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg", cv.IMREAD_GRAYSCALE)
    # 读入RGB彩色图片，切分通道，取单通道
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    image = cv.split(image)
    cv.imshow("input", image[0])
    # 提取原图的B通道作图像直方图
    hist = cv.calcHist([image[0]], [0], None, [32], [0, 255])
    print(hist.dtype)
    plt.plot(hist, color="gray")
    # 灰度等级设定为256/32 = 8
    plt.xlim([0, 32])
    plt.show()

    eqimg = cv.equalizeHist(image[0])
    cv.imshow("eq", eqimg)
    # 确保均衡化的输入是一个八位(0,255)单通道图像
    hist = cv.calcHist([eqimg], [0], None, [32], [0, 255])
    print(hist.dtype)
    plt.plot(hist, color="gray")
    plt.xlim([0, 32])
    plt.show()
    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例：

发现均衡化之后对比度明显提升，并且直方图高值与低值差距拉大。

学习参考

本系列所有OpenCv相关的代码示例和内容均来自博主学习的网站：opencv_course