直方图定义

hist = cv2.calcHist(images, channels, mask, histSize, ranges, …) # hist是一个256*1的矩阵，其中每一个值代表了一个灰度值对应的像素点数目

• images：原图像格式为uint8或float32；当传入函数时应用中括号括起来，如[img]
• channels：同样用中括号括起来，它会告诉函数要统计直方图的图像通道；如果传入的是灰度图，它的值就是[0]，如果传入的是彩色图像，它的值可以是[0]、[1]、[2]，分别对应着BGR
• mask：掩膜图像，如果统计的是整幅图像，它的值就为None
• histSize：BIN的数目，也应用中括号括起来
• ranges：像素值范围，一般为[0, 256]，左闭右开

plt.hist(x, bins=None, range=None, …) # 直方图，一种特殊的柱状图

• x：直方图所需数据，必须是一维数组，多维数组可以先扁平化再作图
• bins：直方图的柱数，即要分成的组数，默认为10
• range：tuple or None，如果为None，则默认为(x.min(), x.max())，即x轴的范围

import cv2
import matplotlib.pyplot as plt

img = cv2.imread(r'F:/aixin.jpg', 0)  # 0表示灰度图
plt.hist(img.ravel(), 256)  # 横轴表示数值（这里是像素值），纵轴表示一个数值出现的次数；img.ravel()可以将二维矩阵img展平成一维数组
plt.show()

import cv2
import matplotlib.pyplot as plt

img = cv2.imread(r'F:/aixin.jpg')
color = ('b', 'g', 'r')

for i, col in enumerate(color):
    hist = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(hist, col)
    plt.xlim([0, 256])

plt.show()

mask操作

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

img = cv2.imread(r'F:/aixin.jpg', 0)  # 0表示灰度图
mask = np.zeros(img.shape[:2], np.uint8)  # 创建一个与二维图像shape相同的0值矩阵
mask[350:700, 350:700] = 255  # 将mask的一部分赋值为255，[H, W]
masked_img = cv2.bitwise_and(img, img, mask=mask)  # 与操作

plt.subplot(1, 3, 1)
plt.axis('off')  # 设置无坐标
plt.title('source')
plt.imshow(img, 'gray')  # 以灰度方式呈现

plt.subplot(1, 3, 2)
plt.axis('off')
plt.title('mask')
plt.imshow(mask, 'gray')

plt.subplot(1, 3, 3)
plt.axis('off')
plt.title('masked_img')
plt.imshow(masked_img, 'gray')

plt.show()

hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])

plt.plot(hist_full, 'b')
plt.plot(hist_mask, 'g')

plt.show()

直方图均衡化

图像A的像素分布如下所示：

均衡化过程：

灰度值	像素个数	概率	累积概率	根据函数映射后的灰度值	取整
50	4	0.25	0.25	0.25*(255-0)=63.75	64
128	3	0.1875	0.4375	0.4375*(255-0)=111.5625	112
200	5	0.3125	0.75	0.75*(255-0)=191.25	191
255	4	0.25	1	1*(255-0)=255	255

均衡化后得到的图像B的像素分布如下所示：

均衡化效果

import cv2
import matplotlib.pyplot as plt

img = cv2.imread(r'F:/aixin.jpg', 0)  # 0表示灰度图
equ = cv2.equalizeHist(img)  # 均衡化

plt.subplot(1, 2, 1)
plt.title('source')
plt.hist(img.ravel(), 256)

plt.subplot(1, 2, 2)
plt.title('equalized')
plt.hist(equ.ravel(), 256)

plt.show()

res = cv2.hconcat((img, equ))

cv2.namedWindow('image', cv2.WINDOW_NORMAL)
cv2.imshow('image', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

自适应直方图均衡化

equalizeHist这种全局的均衡化也会存在一些问题，由于整体亮度的提升，可能会使得局部图像的细节变得模糊，因此有时我们需要进行分块的局部均衡化操作，称之为自适应直方图均衡化。

clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None) # 自适应直方图均衡化
cla = clahe.apply(img)

• clipLimit：对比度限制阈值
• tileGridSize：输入图像将被分割成大小相等的矩形块，tileGridSize定义行和列中的块数

img = cv2.imread(r'F:/aixin.jpg', 0)  # 原图
equ = cv2.equalizeHist(img)  # 均衡化（全局均衡化）
clahe = cv2.createCLAHE(clipLimit=2, tileGridSize=(8, 8))  # 自适应均衡化（分块均衡化）
cla = clahe.apply(img)

res = cv2.hconcat((img, equ, cla))

cv2.namedWindow('image', cv2.WINDOW_NORMAL)
cv2.imshow('image', res)
cv2.waitKey(0)
cv2.destroyAllWindows()