直方图均衡

一、直方图概念

灰度图灰度分布：

• 横坐标为灰度值
• 纵坐标为对应灰度值的像素个数

cv2.calcHist(images,channels, mask, histSize, ranges)

• images : 原图像格式为 uint8 或 float32.当传入图像时，应使用中括号[]来括起
• channels：同样使用括号括起，表明了统计整幅图像的直方图通道；若传入图像是灰度图则它的值就是[0]，若是彩色图像，则其值可为[0][1][2]，分别对应着BGR
• mask:掩膜图像，统计整幅图像就将其设置为None，但是若想统计某一图像区域的直方图，便可定义一个掩膜图像并代入
• histSize：BIN的数目，也应用中括号括起，通常为 256，也就是灰度区间长度
• ranges：像素值范围，常为[0, 255]

import cv2
import matplotlib
import matplotlib.pyplot as plt #取别名（用于绘图展示）
import numpy as np #取别名,下面是notepad专用，立即显示图像
%matplotlib inline 

def cv_show(name, img): #定义函数用于显示图片,此处name为窗口名，img为cv2调用imread方法的返回值
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

def winds(images):
    for i in range(len(images)):
        images[i] = cv2.resize(images[i], (0, 0), fx = 0.8, fy = 0.8) # 注意此处的resize用法！
    res = np.hstack(images)
    cv_show('Compare', res)

# 转化为灰度图便于统计
img = cv2.imread('lena.png', 0)

cv_show('Lena', img)

# 统计
hist = cv2.calcHist([img], [0], None, [256], [0, 255])
hist.shape

(256, 1)

plt.hist(img.ravel(),256)
plt.show()
# 确实是一张好图

img = cv2.imread('lena.png', -1)
color = ('b', 'g', 'r')
for i,col in enumerate(color): # enumerate 便于遍历下标
    histr = cv2.calcHist([img], [i], None, [256], [0, 255]) # 此处应该传入彩色图
    plt.plot(histr, color = col)
    plt.xlim([0, 255])

二、mask操作

# 利用灰度图来演示
img = cv2.imread('lena.png', 0)

cv_show('lena',img)
img.shape

(512, 512)

# 利用切片创建mask
mask = np.zeros(img.shape[:2], np.uint8) # 利用shape切片返回img的尺寸元组，并借此创建全0阵列

mask[106:406, 106:406] = 255 # 切片不能使用二维数组，最好直接只用一个[]
cv_show("mask", mask)

使用 阵列与 操作

masked_img = cv2.bitwise_and(img, img, mask  = mask)
cv_show('masked_img',masked_img)

hist_Origin = cv2.calcHist([img], [0], None, [256], [0, 255])
hist_Masked = cv2.calcHist([masked_img], [0], None, [256], [1, 256]) # 有一个很恐怖

plt.subplot(221),plt.imshow(img, 'gray') # 这里传入的221，就是 2 行 2 列 第一幅图的意思
plt.subplot(222),plt.imshow(mask, 'gray')
plt.subplot(223),plt.imshow(masked_img, 'gray')
plt.subplot(224),plt.plot(hist_Origin),plt.plot(hist_Masked),
# 蓝线为原始、橙红为ROI
plt.xlim([0, 255])
plt.show()

三、直方图均衡化

主要是为了增强图像的对比度

low = cv2.imread('low.jpg',0)

cv_show('Low', low)

# 操作来一遍
hist = cv2.calcHist([low], [0], None, [256], [0,255])

plt.plot(hist) # 点线图
plt.show()
plt.hist(low.ravel(), 256) # 面积图
plt.show() 

观察上图可以发现，低对比图的灰度分布通常比较臃肿、集中，所以我们就要将其均匀化

• 均衡化流程如下：

# 对直方图进行均衡，但是如何从直方图中得出图像呢？
equ = cv2.equalizeHist(low) #此处的equ就是图像阵列
plt.hist(equ.ravel(), 256)
plt.show()

从上图可以看出，高对比度的图像灰度分布就不那么臃肿，更加均匀了

res = np.hstack([low, equ])
cv_show('Compare',res)

只能说效果显著：

## 再走一边流程

lena = cv2.imread('lena.png', 0)

lena.shape

(512, 512)

## 先绘制直方图
plt.hist(lena.ravel(),256) # 后面参数是灰度值变化范围
plt.show()

相对来说还是比较均匀的

# 绘制直方图均衡后的直方图
equ = cv2.equalizeHist(lena)
plt.hist(equ.ravel(), 256)
plt.show()

winds([lena, equ])

效果实有增强

四、自适应直方图均衡化

• 避免已有的ROI区域被其他无关区域“拖累”，可以采用局部直方图均衡
• 局部直方图可以避免ROI对比度被冲淡，但是可能会受到噪声影响

loc = cv2.imread('Local.png',0)

#  先创建局部的直方图均衡化的滤波器
clahe = cv2.createCLAHE(clipLimit = 2.0, tileGridSize=(8, 8))

res_clahe = clahe.apply(loc) # 运用滤波器

equ = cv2.equalizeHist(loc)
winds([loc,equ, res_clahe])

效果改善不少。相较B，C 图的面部细节更好

# 显示原图像直方图

plt.hist(loc.ravel(),256)
plt.title('Orgin')
plt.show()

plt.hist(equ.ravel(),256)
plt.title('Equ')
plt.show()

plt.hist(res_clahe.ravel(),256)
plt.title('Clahe')
plt.show()