数字图像处理-直方图分析

图像直方图分析及实验

1.1 使用 OpenCV 统计直方图

函数 cv2.calcHist 可以帮助我们统计一幅图像 的直方图。我们一起来熟悉一下这个函数和它的参数：

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

• images：原图像（图像格式为 uint8 或 float32）。当传入函数时应该 用中括号 [] 括起来，例如：[img]。

• channels：同样需要用中括号括起来，它会告诉函数我们要统计那幅图 像的直方图。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像 的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。

• mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如 果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。（后边有例子）

• histSize：BIN 的数目。也应该用中括号括起来，例如：[256]。

• ranges: 像素值范围，通常为 [0，256]

• hist：是一个 256x1 的数组作为返回值，每一个值代表了与次灰度值对应的像素点数目。

• accumulate：是一个布尔值，用来表示直方图是否叠加。

---

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt
 
img1 = cv2.imread('28.png', 0)
# 别忘了中括号 [img],[0],None,[256],[0,256]，只有 mask 没有中括号
hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
 
img2 = cv2.imread('28.png')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
    histr = cv2.calcHist([img2], [i], None, [256], [0, 256])
    plt.subplot(224), plt.plot(histr, color=col),
    plt.xlim([0, 256]), plt.title('Histogram')
    
 
plt.subplot(221), plt.imshow(img1, 'gray'), plt.title('Image1')
plt.subplot(222), plt.hist(img1.ravel(), 256, [0, 256]),
plt.title('Histogram'), plt.xlim([0, 256])
plt.subplot(223), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)), plt.title('Image2')
plt.show()

效果：

原图

直方图分析分析

对蓝色变量累积分布图：

B变量累积分布图

直方图均衡

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('28.png',0)
cv2.imshow('img1',img)

# 直方图均衡
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ))
#stacking images side-by-side
cv2.imshow('img2',res)
cv2.waitKey()
cv2.destroyAllWindows()

直方图均衡之前

直方图均衡后

总结

本实验对图像的直方图进行分析，并进行图片的直方图均衡、直方图分析，了解直方图均衡方法，明白直方图均衡可以很好的均衡图片的像素分布。

当然本实验也有不足，没能很好地展现直方图均衡前后图片的变化。根据书上的学习可以预先知道，直方图分析可以使得灰度图片变得更清晰可读。