图像的直方图处理

1.直方图绘制

直方图显示图像数据时会以左暗又亮的分布曲线形式呈现出来，而不是显示原图像数据。利用opencv-python中的库函数绘制彩色图像直方图的自定义函数如下

# 直方图绘制函数
def draw_my_hist(image):
    color = ('b', 'g', 'r')
    for i, color in enumerate(color):
        # calcHist()函数有5个参数：
        # image输入图像，传入时应该用中括号[]括起来
        # channels:：传入图像的通道，如果是灰度图像，值为0，如果是彩色图像（有3个通道），那么值为0,1,2,中选择一个，对应着BGR各个通道。这个值也得用[]传入。
        # mask：掩膜图像。如果统计整幅图，那么为none。主要是如果要统计部分图的直方图，就得构造相应的炎掩膜来计算。
        # histSize：灰度级的个数，需要中括号，比如[256]
        hist = cv.calcHist([image], [i], None, [256], [0, 256])  # 计算直方图
        plt.plot(hist, color)
        plt.xlim([0, 256])

不同图像有相差很大的直方图

 

2.整体直方图均衡

直方图均衡是通过调整图像的直方图来改变图像的对比度。用这种方法亮度可以更好地在直方图上分布，从而就可以增强局部对比度而对整体对比度没有太大影响。直方图均衡函数：

# 彩色图像直方图均衡函数
# equalizeHist()函数可以直接求解灰度图的直方图均衡结果，所以如果是灰度图像则不需要进行通道分解
def get_equalizeHist_image_color(image):
    (b, g, r) = cv.split(image)  # 通道分解
    bH = cv.equalizeHist(b)
    gH = cv.equalizeHist(g)
    rH = cv.equalizeHist(r)
    result = cv.merge((bH, gH, rH), )  # 通道合成
    return result

图像均衡效果如下

 

3.局部直方图均衡

上述的直方图均衡化可以达到一种全局意义上的均衡化，但是有的时候这种操作并不是很好，会把某些不该调整的部分给调整了。Opencv中还有一种直方图均衡化方法，它是一种在图像局部进行均衡化的方法，也就是是说把整个图像分成许多小块（比如按7*7作为一个小块），那么对每个小块进行均衡化。这种方法主要对于图像直方图不是那么单一的（比如存在多峰情况）图像比较实用。Opencv中的局部均衡化实例如下：

# createCLAHE()函数中clipLimit参数为颜色对比度的阈值，titleGridSize参数为进行像素均衡化的网格大小
def get_part_equalizeHist(image):
    (image_b, image_r, image_g) = cv2.split(image)
    # 创建均衡化对象
    clahe = cv2.createCLAHE(clipLimit=2, tileGridSize=(10, 10))
    # 分别对三个通道进行局部均衡化，当然如果是灰度图则不需要通道分解操作
    result_b = clahe.apply(image_b)
    result_r = clahe.apply(image_r)
    result_g = clahe.apply(image_g)
    result = cv2.merge((result_b, result_r, result_g))
    return result

局部直方图均衡效果如下

 

 4.直方图匹配

虽然直方图均衡在一定程度上能够增强图像的对比度，但是有的时候和我们理想的效果并不一致，如果我们能够规定变换后直方图的形状，进行直方图匹配，很多情况下要比直方图均衡中的常量直方图效果好。查了很多资料都表示Opencv-python中没有免费的直方图匹配的函数可以使用，所以这里借鉴博客上的思路自己编写了一个求解直方图匹配的函数

 

# 求累积直方图
def my_get_add_hist(original_hist):
    acc_hist = np.zeros([256, 1], np.float32)
    next_number = 0.
    for i in range(256):
        acc_hist[i, 0] = next_number + original_hist[i, 0]
        next_number = acc_hist[i, 0]

    acc_hist /= next_number
    return acc_hist


def my_hist_match_gray(original_image, target_image):
    # 求原始图像直方图
    original_hist = cv.calcHist([original_image], [0], None, [256], [0.0, 255.])
    # 求目标图像直方图
    target_hist = cv.calcHist([target_image], [0], None, [256], [0.0, 255.])
    # 求原始图像累计直方图
    original_acc_hist = my_get_add_hist(original_hist)
    # 求目标图像累计直方图
    target_acc_hist = my_get_add_hist(target_hist)
    # 计算原始图像和目标图像在所有点概率密度的差值，并取绝对值
    my_subtract = abs(np.tile(target_acc_hist.reshape((256, 1)), (1, 256)) - original_acc_hist.reshape(1, 256))
    # 得到插值最小处的索引
    my_index = np.argmin(my_subtract, axis=0)
    # 将索引转化为uint8，对于灰度图像cv2.LUT的table必须是uint8类型
    my_index = my_index.astype(np.uint8)
    # 将原图像进行映射
    result = cv.LUT(original_image, my_index)
    # 返回结果
    return result


def my_hist_match_RGB(original_image, target_image):
    # 将RGB图像进行分解
    (original_image_b, original_image_r, original_image_g) = cv.split(original_image)
    (target_image_b, target_image_r, target_image_g) = cv.split(target_image)

    # 对每个图像进行灰度图像匹配
    result_b = my_hist_match_gray(original_image_b, target_image_b)
    result_r = my_hist_match_gray(original_image_r, target_image_r)
    result_g = my_hist_match_gray(original_image_g, target_image_g)

    # 将所有通道匹配结果合并
    result = cv.merge((result_b, result_r, result_g))
    return result

 

图像进行直方图匹配后的效果如下