图像灰度直方图

图像灰度直方图

　　图像是由像素点构成的，每个像素点的值代表着该点的颜色（灰度图或者彩色图）。

　　直方图就是对图像中的这些像素点的值进行统计，得到一个统一的整体的灰度概念。

　　优点：可以清晰了解图像的整体灰度分布，对于后面依据直方图处理图像来说至关重要。

　　一般情况下直方图都是灰度图像，直方图x轴是灰度值（一般0~255），y轴是图像中每一个灰度级对应的像素点的个数。

　　灰度级：正常情况下就是0-255共256个灰度级，从黑一直到白（也有可能统计其中的某部分灰度范围），那么每一个灰度级对应一个数值代表该灰度对应的点数目。

也就是说直方图其实就是一个1*m（灰度级）的一个数组而已。但是有的时候不希望逐个灰度的递增，比如现在要求20个灰度一起作为一个灰度级来画直方图，这个时候

可能只需要1*(m/20)这样一个数组就够了。那么这里的20就是直方图的间隔宽度了。

　　Opencv给提供的函数是cv2.calcHist()，该函数有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，那就不用说了，只有一个通道，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，用[]传入。
• mask：掩膜图像。如果统计整幅图，那么为none。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]
• ranges:像素值的范围，通常[0,256]，有的图像如果不是0-256，比如说你来回各种变换导致像素值负值、很大，则需要调整后才可以。

　　除Opencv外，numpy也有函数用于统计直方图的

　　函数np.histogram()

　　函数np.bincount()

　　这三个方式的传入参数基本上差不多，不同的是opencv自带的需要中括号括起来。 

　　测试案例：

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

img = cv2.imread('02.jpg', 0)#直接读为灰度图像

#opencv读取方法cv2.calcHist(速度最快)
#图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围
hist_cv = cv2.calcHist([img], [0], None, [256], [0,256])

#numpy方法读取np.histogram()
hist_np,bins = np.histogram(img.ravel(), 256, [0,256])

#numpy的另一种读取方法np.bincount()（速度=10倍方法2）
hist_np2 = np.bincount(img.ravel(), minlength=256)

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.plot(range(256), hist_cv, 'r')
plt.subplot(223), plt.plot(range(256), hist_np, 'b')
plt.subplot(224), plt.plot(hist_np2)
plt.show()

　　opencv的直方图函数中掩膜的使用，这个掩膜就是一个区域大小，表示直方图统计就是这个区域的像素统计。

　　掩膜是用一副二值化图片对另外一幅图片进行局部的遮挡

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

img = cv2.imread('02.jpg', 0)#直接读为灰度图像
#生成掩膜
mask = np.zeros(img.shape[:2], np.uint8)
mask[200:400, 300:500] = 255
#Cv2.bitwise_and (目标文件，源文件，mask)，将图片里的像素值按位与
masked_img = cv2.bitwise_and(img, img, mask=mask)

#opencv读取方法cv2.calcHist(速度最快)
#图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围
hist_full = cv2.calcHist([img], [0], None, [256], [0,256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0,256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full),plt.plot(hist_mask)
plt.show()

 

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

img = cv2.imread('02.jpg', 0)#直接读为灰度图像
#生成掩膜
mask = np.zeros(img.shape[:2], np.uint8)
mask[200:400, 300:500] = 255
#Cv2.bitwise_and (目标文件，源文件，mask)，将图片里的像素值按位与
masked_img = cv2.bitwise_and(img, img, mask=mask)

#opencv读取方法cv2.calcHist(速度最快)
#图像，通道[0]-灰度图，掩膜-无，灰度级，像素范围
hist_full = cv2.calcHist([img], [0], None, [256], [0,256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0,256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full),plt.plot(hist_mask)
plt.show()