OpenCV灰度直方图详解

「这是我参与2022首次更文挑战的第16天，活动详情查看：2022首次更文挑战」

灰度直方图

我们已经在《直方图基本概念》中介绍了直方图的相关概念，在本文中，我们将学习OpenCV中如何绘制图像的直方图。 OpenCV 中使用 cv2.calcHist() 函数来计算一个或多个数组的直方图。因此，该函数可以应用于单通道图像和多通道图像。 我们首先了解如何计算灰度图像的直方图：

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

其中，函数参数如下：

参数	解释
images	以列表形式提供的 uint8 或 float32 类型的源图像，如 [image_gray]
channels	需要计算直方图的通道的索引，以列表形式提供(例如，灰度图像中使用 [0]，或多通道图像中 [0] , [1] , [2] 分别计算第一个、第二个或第三个通道的直方图)
mask	蒙版图像，用于计算蒙版定义的图像特定区域的直方图，如果此参数等于 None，则将在没有蒙版的情况下使用完整图像计算直方图
histSize	它表示作为列表提供的 bin 数量，如 [256]
range	要测量的强度值的范围，如 [0,256]

不带蒙版的灰度直方图

计算全灰度图像(无蒙版)直方图的代码如下：

image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 4, 'm')

在上述代码中， hist 是一个形状为 (256, 1) 的数组，每个值( bin )对应于具有相应色调值的像素数。

灰度图像的亮度可以定义为图像所有像素的平均强度，由以下公式给出：

这里，$I(x, y)$ 是图像特定像素的色调值。因此，如果图像的平均色调较高，意味着图像的大多数像素将非常接近白色；相反，如果图像的平均色调较低，意味着图像的大多数像素将非常接近黑色。

我们可以对灰度图像执行图像加法和减法，以便修改图像中每个像素的灰度强度，以观察如何更改图像的亮度以及直方图如何变化：

M = np.ones(gray_image.shape, dtype="uint8") * 30
# 每个灰度值加 30
added_image = cv2.add(gray_image, M)
# 计算结果图像的直方图
hist_added_image = cv2.calcHist([added_image], [0], None, [256], [0, 256])
# 每个灰度值减 30
subtracted_image = cv2.subtract(gray_image, M)
# 计算结果图像的直方图
hist_subtracted_image = cv2.calcHist([subtracted_image], [0], None, [256], [0, 256])
# 可视化
show_img_with_matplotlib(cv2.cvtColor(added_image, cv2.COLOR_GRAY2BGR), "gray lighter", 2)
show_hist_with_matplotlib_gray(hist_added_image, "grayscale histogram", 5, 'm')
show_img_with_matplotlib(cv2.cvtColor(subtracted_image, cv2.COLOR_GRAY2BGR), "gray darker", 3)
show_hist_with_matplotlib_gray(hist_subtracted_image, "grayscale histogram", 6, 'm')

中间的灰度图像对应于原始图像的每个像素加 35 的图像，从而产生更亮的图像，图像的直方图会向右偏移，因为没有强度在 [0-35] 范围内的像素；而右侧的灰度图像对应于原始图像的每个像素都减去 35 的图像，从而导致图像更暗，图像的直方图会向左偏移，因为没有强度在 [220-255] 范围内的像素。

带有蒙版的灰度直方图

如果需要应用蒙版，需要首先创建一个蒙版。

# 加载并修改图像
image = cv2.imread('example.png')
height, width = image.shape[:2]
# 添加了一些具有 0 和 255 灰度强度的黑色和白色小圆圈
for i in range(0, width, 20):
    cv2.circle(image, (i, 390), 5, (0, 0, 0), -1)
    cv2.circle(image, (i, 10), 5, (255, 255, 255), -1)
# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 创建蒙版
mask = np.zeros(gray_image.shape[:2], np.uint8)
mask[30:190, 30:190] = 255

蒙版由与加载图像尺寸相同的黑色图像组成，白色图像对应于要计算直方图的区域。 然后使用所创建的蒙版来计算直方图，调用 cv2.calcHist() 函数并传递创建的蒙版：

hist_mask = cv2.calcHist([gray_image], [0], mask, [256], [0, 256])
# 可视化
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 2, 'm')
show_img_with_matplotlib(cv2.cvtColor(masked_img, cv2.COLOR_GRAY2BGR), "masked gray image", 3)
show_hist_with_matplotlib_gray(hist_mask, "grayscale masked histogram", 4, 'm')

如上图所示，我们对图像进行了修改，我们在其中分别添加了一些黑色和白色的小圆圈，这导致直方图在 bins = 0 和 255 中有较大的值，如第一个直方图所示。但是，添加的这些修改不会出现在蒙版图像直方图中，因为应用了蒙版，因此在计算直方图时没有将它们考虑在内。

相关链接

OpenCV直方图基本概念