在PiscTrace开发者版上直接处理图像色阶分布

在图像处理和计算机视觉中，色阶分布（或称灰度分布）是描述图像中像素强度分布的一个重要概念。它对于理解图像的亮度、对比度、纹理和细节等方面具有关键作用。通过色阶分布的分析，我们能够获得图像的整体信息，从而帮助我们进行各种图像处理操作，例如增强、分割、去噪等。

一、什么是图像色阶分布？

图像色阶分布是指图像中各个灰度值（或颜色值）在图像中的分布情况。对于灰度图像来说，色阶分布就是图像所有像素值的统计分布，通常用 直方图 来表示。对于彩色图像，色阶分布可以分解为三个通道（红色、绿色和蓝色）的色阶分布。

灰度图像的色阶分布：

灰度图像中每个像素值表示图像的亮度或强度，通常使用0-255的范围表示，0表示完全黑，255表示完全白。图像中的色阶分布即为这些强度值在图像中出现的频率。

彩色图像的色阶分布：

对于彩色图像，色阶分布是由每个通道的色阶分布构成的。RGB图像中的每个像素有三个色彩通道（红、绿、蓝），每个通道都有其单独的色阶分布。

二、色阶分布的原理

图像的色阶分布可以通过计算像素值的频率分布来得到。每个灰度值的出现频率通常表示为 频率直方图，而色阶分布的计算就是统计图像中每个灰度值（或颜色值）出现的次数，形成一个直方图。

例如，假设我们有一幅灰度图像，其像素值范围是0到255，计算该图像中每个像素值出现的频率（即各灰度值的数量），然后绘制成直方图。这样我们就能看到图像中亮度分布的情况，判断其对比度和光照情况。

灰度直方图：

在灰度图像的色阶分布中，常见的分析方法是绘制灰度直方图。该直方图的横轴表示灰度值，纵轴表示每个灰度值出现的频率。通过分析直方图的形态，我们可以了解图像的亮度、对比度以及是否有过度曝光或过暗的区域。

色彩直方图：

对于彩色图像，RGB三通道的色阶分布通常会分开绘制，分别计算每个通道的色阶分布。每个通道的直方图代表该颜色通道的亮度分布，红色、绿色和蓝色分别有一个直方图。通过分析这些直方图，我们可以获得关于图像色彩平衡和色调分布的重要信息。

三、在PiscTrace内可视化处理

import cv2
import numpy as np

class ColorThresholdAnalysis:
    def __init__(self, num_bins=10):
        self.num_bins = num_bins  # 色阶区间数量

    def do(self, frame, device):
        # 获取图像的尺寸
        height, width = frame.shape[:2]

        # 将图像转换为灰度图
        gray_image = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 计算图像的灰度直方图
        hist_gray = cv2.calcHist([gray_image], [0], None, [self.num_bins], [0, 256])
        hist_gray = hist_gray.flatten()  # 拉平成一维数组

        # 分别计算 R、G、B 通道的直方图
        hist_r = cv2.calcHist([frame], [0], None, [self.num_bins], [0, 256])  # 红色通道
        hist_g = cv2.calcHist([frame], [1], None, [self.num_bins], [0, 256])  # 绿色通道
        hist_b = cv2.calcHist([frame], [2], None, [self.num_bins], [0, 256])  # 蓝色通道

        # 将直方图归一化到图像大小
        max_value = max(np.max(hist_r), np.max(hist_g), np.max(hist_b), np.max(hist_gray))

        # 设置折线图区域尺寸
        chart_width = width // 2
        chart_height = height // 2

        # 创建一个背景透明的画布
        chart_image = np.zeros((height, width, 3), dtype=np.uint8)

        # 为每个通道绘制折线图
        self.draw_histogram_line(hist_r, chart_image, (0, 0), (255, 0, 0), max_value, chart_width, chart_height)
        self.draw_histogram_line(hist_g, chart_image, (0, chart_height), (0, 255, 0), max_value, chart_width, chart_height)
        self.draw_histogram_line(hist_b, chart_image, (chart_width, 0), (0, 0, 255), max_value, chart_width, chart_height)
        self.draw_histogram_line(hist_gray, chart_image, (chart_width, chart_height), (255, 255, 255), max_value, chart_width, chart_height)

        # 半透明叠加到原图上
        alpha = 0.5  # 设置透明度
        frame_with_chart = cv2.addWeighted(frame, 1 - alpha, chart_image, alpha, 0)

        # 返回叠加后的图像
        return frame_with_chart

    def draw_histogram_line(self, hist, img, position, color, max_value, chart_width, chart_height):
        """
        绘制折线图
        :param hist: 直方图数据
        :param img: 图像对象
        :param position: 图像上绘制的起始位置
        :param color: 折线图的颜色
        :param max_value: 用于归一化的最大值
        :param chart_width: 绘制区域的宽度
        :param chart_height: 绘制区域的高度
        """
        bin_width = chart_width // self.num_bins
        for i in range(1, self.num_bins):
            start_point = (position[0] + (i - 1) * bin_width, position[1] + int(hist[i - 1] / max_value * chart_height))
            end_point = (position[0] + i * bin_width, position[1] + int(hist[i] / max_value * chart_height))
            cv2.line(img, start_point, end_point, color, 2)

在CodeTrace内代码编辑框直接插入上述代码进行预览和执行即可获得如下效果