一、直方图相关学习

1、灰度直方图

1.1 基本概念和作用

表示图像中每个灰度级别的像素数量。用于分析图像的亮度分布情况。

1.2 代码示例

参数介绍

hist = cv2.calcHist(images, channels, mask, histSize, ranges, hist, accumulate)-images：输入图像的列表。对于灰度图像，它只包含一个元素（即一幅图像）。对于彩色图像，通常会传入一个包含所有颜色通道的列表。
-channels：指定要统计直方图的通道。对于灰度图像，值为[0]；对于彩色图像，可以传入[0]、[1]、[2]分别表示蓝、绿、红通道。如果是彩色图像，也可以同时统计多个通道，例如[0, 1, 2]表示统计所有通道。
-mask：可选参数，用于指定计算直方图的区域。如果不需要指定区域，传入None
-histSize：指定直方图的大小，即灰度级别的个数。对于灰度图像，通常设置为256，表示从0到255的灰度级别。对于彩色图像，可以设置为256，表示每个通道的灰度级别。
-ranges：指定像素值的范围。通常为[0, 256]，表示灰度级别的范围。对于彩色图像，例如[0, 256, 0, 256, 0, 256]表示三个通道各自的范围。
-hist：可选参数，用于存储计算得到的直方图。如果不提供，函数会返回直方图
-accumulate：

示例

import cv2
import matplotlib.pyplot as plt# 读取图像
image = cv2.imread('../images/1.jpg', cv2.IMREAD_GRAYSCALE)# 计算灰度直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])# 显示原图
plt.subplot(2, 1, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')# 显示灰度直方图
plt.subplot(2, 1, 2)
plt.plot(hist)
plt.title('Grayscale Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')# 调整子图布局，避免重叠
plt.tight_layout()# 显示图像和直方图
plt.show()

2、BGR直方图

2.1 基本概念和作用

BGR直方图是一种用于可视化彩色图像中蓝色（Blue）、绿色（Green）和红色（Red）三个通道的像素值分布情况的工具。了解图像中颜色的分布情况。通过分析BGR直方图，可以得知图像中某个颜色通道的强度，从而更好地理解图像的颜色特性。

2.2 代码示例

import cv2
import matplotlib.pyplot as plt# 读取彩色图像
image = cv2.imread('../images/2.jpg')# 分离通道
b, g, r = cv2.split(image)# 计算各通道的直方图
hist_b = cv2.calcHist([b], [0], None, [256], [0, 256])
hist_g = cv2.calcHist([g], [0], None, [256], [0, 256])
hist_r = cv2.calcHist([r], [0], None, [256], [0, 256])# 显示彩色图像
plt.subplot(2, 1, 1)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.title('Original Image')# 显示BGR直方图
plt.subplot(2, 1, 2)
plt.plot(hist_b, color='blue', label='Blue')
plt.plot(hist_g, color='green', label='Green')
plt.plot(hist_r, color='red', label='Red')
plt.title('BGR Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.legend()# 调整子图布局，避免重叠
plt.tight_layout()
# 显示图像和直方图
plt.show()

3、灰度直方图均衡

1. 基本概念和作用

用于增强图像对比度的技术，通过调整图像中各个灰度级别的像素分布，使得整个灰度范围更均匀地覆盖，从而提高图像的视觉质量。这个过程可以使暗部和亮部细节更加清晰可见，改善图像的视觉效果。

2. 代码示例

import cv2
import matplotlib.pyplot as plt# 读取灰度图像
image = cv2.imread('../images/3.jpg', cv2.IMREAD_GRAYSCALE)# 进行灰度直方图均衡
equalized_image = cv2.equalizeHist(image)# 显示原始灰度图像
plt.subplot(2, 1, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Grayscale Image')# 显示均衡后的灰度图像
plt.subplot(2, 1, 2)
plt.imshow(equalized_image, cmap='gray')
plt.title('Equalized Grayscale Image')# 调整子图布局，避免重叠
plt.tight_layout()# 显示图像
plt.show()

4、直方图变换（查找）

4.1 基本概念和作用

直方图变换，也称为直方图查找，是一种用于调整图像对比度的技术。它通过变换图像的灰度级别，将原始图像的灰度分布均匀化，使得图像中所有灰度级别的像素值分布更加平均。这样可以增强图像的对比度，使细节更加突出，提高图像的视觉质量。
直方图变换的核心思想是调整图像中各个灰度级别的像素值，使得灰度值的分布更均匀，从而实现对比度的增强。

4.2 代码示例

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像
img = cv2.imread('../images/4.jpg', cv2.IMREAD_GRAYSCALE)# 计算原始图像的直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])# 显示原始图像和直方图
plt.subplot(2, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(2, 2, 2), plt.plot(hist), plt.title('Original Histogram')# 构建查找表，每个像素值增加50
lookup_table = np.arange(256, dtype=np.uint8)
lookup_table = cv2.add(lookup_table, 50)# 应用查找表
transformed_img = cv2.LUT(img, lookup_table)# 计算变换后图像的直方图
transformed_hist = cv2.calcHist([transformed_img], [0], None, [256], [0, 256])# 显示变换后图像和直方图
plt.subplot(2, 2, 3), plt.imshow(transformed_img, cmap='gray'), plt.title('Transformed Image')
plt.subplot(2, 2, 4), plt.plot(transformed_hist), plt.title('Transformed Histogram')plt.show()

图片中每个像素都增加五十个像素的效果

5、直方图匹配

5.1 基本概念和作用

通过调整图像的像素值，使其直方图匹配到另一图像的直方图，以实现两者视觉特性的一致性。在图像配准、图像融合等应用

5.2 代码示例

import cv2
import matplotlib.pyplot as plt
import numpy as npdef hist_match(source, target):# 将源图像和目标图像转换为灰度图source_gray = cv2.cvtColor(source, cv2.COLOR_BGR2GRAY)target_gray = cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)# 计算源图像和目标图像的直方图source_hist = cv2.calcHist([source_gray], [0], None, [256], [0, 256])target_hist = cv2.calcHist([target_gray], [0], None, [256], [0, 256])# 直方图归一化cv2.normalize(source_hist, source_hist, 0, 255, cv2.NORM_MINMAX)cv2.normalize(target_hist, target_hist, 0, 255, cv2.NORM_MINMAX)# 计算累积分布函数（CDF）source_cdf = source_hist.cumsum()target_cdf = target_hist.cumsum()# 映射源图像的像素值到目标图像的CDFmapping = np.interp(source_cdf, target_cdf, range(256))# 应用映射到源图像matched_gray = cv2.LUT(source_gray, mapping.astype('uint8'))# 将灰度匹配的结果应用到RGB图像上matched_img = source.copy()for i in range(3):matched_img[:, :, i] = cv2.LUT(source[:, :, i], mapping.astype('uint8'))return matched_img# 读取源图像和目标图像
source_img = cv2.imread('../images/5-2.jpg')
target_img = cv2.imread('../images/5-1.jpg')# 进行直方图匹配
matched_img = hist_match(source_img, target_img)# 显示图像
plt.figure(figsize=(12, 6))plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(source_img, cv2.COLOR_BGR2RGB)), plt.title('source (RGB)')
plt.subplot(1, 3, 2), plt.imshow(cv2.cvtColor(target_img, cv2.COLOR_BGR2RGB)), plt.title('target (RGB)')
plt.subplot(1, 3, 3), plt.imshow(cv2.cvtColor(matched_img, cv2.COLOR_BGR2RGB)), plt.title('result (RGB)')plt.show()

6、直方图反向映射

6.1 基本概念和作用

通过调整图像的像素值，使其直方图反向匹配到目标直方图，从而实现对比度和亮度的调整。直方图模型去目标图像中寻找相似的特征对象

6.2 代码示例

import cv2
import matplotlib.pyplot as plt
import numpy as npdef hist_reverse_mapping(source, target):# 将源图像和目标图像转换为灰度图source_gray = cv2.cvtColor(source, cv2.COLOR_BGR2GRAY)target_gray = cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)# 计算源图像和目标图像的直方图source_hist = cv2.calcHist([source_gray], [0], None, [256], [0, 256])target_hist = cv2.calcHist([target_gray], [0], None, [256], [0, 256])# 直方图归一化cv2.normalize(source_hist, source_hist, 0, 1, cv2.NORM_MINMAX)cv2.normalize(target_hist, target_hist, 0, 1, cv2.NORM_MINMAX)# 计算反向映射mapping = np.interp(np.linspace(0, 1, 256), target_hist.flatten(), np.arange(256))# 应用反向映射到源图像mapped_img = cv2.LUT(source_gray, mapping.astype('uint8'))# 将灰度映射的结果应用到RGB图像上mapped_color_img = source.copy()for i in range(3):mapped_color_img[:, :, i] = cv2.LUT(source[:, :, i], mapping.astype('uint8'))return mapped_color_img# 读取源图像和目标图像
source_img = cv2.imread('../images/5-2.jpg')
target_img = cv2.imread('../images/5-1.jpg')# 进行直方图反向映射
mapped_img = hist_reverse_mapping(source_img, target_img)# 显示图像
plt.figure(figsize=(12, 6))plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(source_img, cv2.COLOR_BGR2RGB)), plt.title('source (RGB)')
plt.subplot(1, 3, 2), plt.imshow(cv2.cvtColor(target_img, cv2.COLOR_BGR2RGB)), plt.title('target (RGB)')
plt.subplot(1, 3, 3), plt.imshow(cv2.cvtColor(mapped_img, cv2.COLOR_BGR2RGB)), plt.title('resource (RGB)')plt.show()

7、H-S直方图

7.1 基本概念和作用

用于表示图像颜色分布的直方图。它基于图像中每个像素的色调（Hue）和饱和度（Saturation）信息，通过统计这两个颜色属性的分布情况，形成直方图。H-S直方图是在颜色空间中对颜色特征进行可视化和分析的工具。应用于在颜色分析、图像检索和目标识别等

7.2 示例代码

import cv2
import numpy as np
import matplotlib.pyplot as pltdef compute_hs_histogram(image):# 将图像从BGR颜色空间转换为HSV颜色空间hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 提取Hue和Saturation通道hue_channel = hsv_image[:,:,0]saturation_channel = hsv_image[:,:,1]# 计算Hue-Saturation直方图hs_histogram, _, _ = np.histogram2d(hue_channel.flatten(), saturation_channel.flatten(), bins=[180, 256], range=[[0, 180], [0, 256]])# 归一化直方图hs_histogram /= hs_histogram.sum()return hs_histogram# 读取图像
image = cv2.imread('../images/4.jpg')# 计算H-S直方图
hs_histogram = compute_hs_histogram(image)# 显示H-S直方图
plt.imshow(hs_histogram.T, cmap='viridis', extent=[0, 180, 0, 256], interpolation='nearest')
plt.title('H-S Histogram')
# 色调
plt.xlabel('Hue')
# 饱和度
plt.ylabel('Saturation')
plt.colorbar()
plt.show()

8、自定义直方图

8.1 mask

# 1 导入库
import cv2
import matplotlib.pyplot as plt
import numpy as np# 2 方法：显示图片
def show_image(image, title, pos):img_RGB = image[:, :, ::-1] # BGR to RGBplt.title(title)plt.subplot(2, 2, pos)plt.imshow(img_RGB)# 3 方法：显示灰度直方图
def show_histogram(hist, title, pos, color):plt.subplot(2, 2, pos)plt.title(title)plt.xlim([0, 256])plt.plot(hist, color=color)# 4 主函数
def main():# 5 创建画布plt.figure(figsize=(12, 7))plt.suptitle("Gray Image and Histogram with mask", fontsize=4, fontweight="bold")# 6 读取图片并灰度转换，计算直方图，显示img_gray = cv2.imread("../images/children.jpg", cv2.COLOR_BGR2GRAY) # 读取并进行灰度转换img_gray_hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256]) # 计算直方图show_image(img_gray, "image gray", 1)show_histogram(img_gray_hist, "image gray histogram", 2, "m")# 7 创建mask，计算位图，直方图mask = np.zeros(img_gray.shape[:2], np.uint8)mask[130:500, 600:1400] = 255 # 获取mask，并赋予颜色img_mask_hist = cv2.calcHist([img_gray], [0], mask, [256], [0, 256]) # 计算mask的直方图# 8 通过位运算（与预算）计算带有mask的灰度图片mask_img = cv2.bitwise_and(img_gray, img_gray, mask = mask)# 9 显示带有mask的图片和直方图show_image(mask_img, "gray image with mask", 3)show_histogram(img_mask_hist, "histogram with masked gray image", 4, "m")plt.show()
if __name__ == '__main__':main()

9、彩色直方图均衡

示例代码

import cv2
import matplotlib.pyplot as plt
import numpy as np# 显示图片
def show_image(image, title, pos):plt.subplot(3, 2, pos)plt.title(title)image_RGB = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # BGR to RGBplt.imshow(image_RGB)plt.axis("off")# 显示彩色直方图 b, g, r
def show_histogram(hist, title, pos, color):plt.subplot(3, 2, pos)plt.title(title)plt.xlim([0, 256])for h, c in zip(hist, color):  # color: ('b', 'g', 'r')plt.plot(h, color=c)# 计算彩色直方图
def calc_color_hist(image):hist = []hist.append(cv2.calcHist([image], [0], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [1], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [2], None, [256], [0, 256]))return hist# 彩色直方图均衡化
def color_histogram_equalization(image):# 将图像从BGR颜色空间转换为YUV颜色空间yuv_image = cv2.cvtColor(image, cv2.COLOR_BGR2YUV)# 对亮度通道进行直方图均衡化yuv_image[:, :, 0] = cv2.equalizeHist(yuv_image[:, :, 0])# 将图像从YUV颜色空间转换回BGR颜色空间equalized_image = cv2.cvtColor(yuv_image, cv2.COLOR_YUV2BGR)return equalized_image# 主函数
def main():# 创建画布plt.figure(figsize=(12, 8))plt.suptitle("Color Histogram and Equalization", fontsize=14, fontweight="bold")# 读取原图片img = cv2.imread("../images/children.jpg")# 计算原始直方图img_hist = calc_color_hist(img)# 显示原始图片和直方图show_image(img, "RGB Image", 1)show_histogram(img_hist, "RGB Image Hist", 2, ('b', 'g', 'r'))# 彩色直方图均衡化equalized_img = color_histogram_equalization(img)equalized_img_hist = calc_color_hist(equalized_img)# 显示均衡化后的图片和直方图show_image(equalized_img, 'Equalized Image', 3)show_histogram(equalized_img_hist, 'Equalized Image Hist', 4, ('b', 'g', 'r'))plt.show()if __name__ == '__main__':main()

10、直方图变换（累计）

10.1 基本概念和作用

对图像的像素值进行累积，在直方图中，累积表示了某个像素值及其以下的像素值的总和。
累积直方图可以用以下步骤来计算：
-计算原始直方图（直方图中每个 bin 的值）。
-对原始直方图进行累加操作，得到累积直方图。

10.2 示例代码

import cv2
import matplotlib.pyplot as plt
import numpy as np# 显示图片
def show_image(image, title, pos):plt.subplot(4, 2, pos)plt.title(title)image_RGB = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # BGR to RGBplt.imshow(image_RGB)plt.axis("off")# 显示彩色直方图 b, g, r
def show_histogram(hist, title, pos, color):plt.subplot(4, 2, pos)plt.title(title)plt.xlim([0, 256])for h, c in zip(hist, color):  # color: ('b', 'g', 'r')plt.plot(h, color=c)# 计算彩色直方图
def calc_color_hist(image):hist = []hist.append(cv2.calcHist([image], [0], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [1], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [2], None, [256], [0, 256]))return hist# 计算累积直方图
def calc_cumulative_hist(hist):cumulative_hist = [np.cumsum(channel_hist) for channel_hist in hist]return cumulative_hist# 主函数
def main():# 创建画布plt.figure(figsize=(12, 16))plt.suptitle("Color Histogram, Equalization, and Cumulative Histogram", fontsize=14, fontweight="bold")# 读取原图片img = cv2.imread("../images/children.jpg")# 计算原始直方图img_hist = calc_color_hist(img)# 显示原始图片和直方图show_image(img, "RGB Image", 1)show_histogram(img_hist, "RGB Image Hist", 2, ('b', 'g', 'r'))# 计算并显示累积直方图cumulative_hist = calc_cumulative_hist(img_hist)show_histogram(cumulative_hist, 'Cumulative Histogram', 4, ('b', 'g', 'r'))plt.show()if __name__ == '__main__':main()

11、直方图对比

11.1 基本概念和作用

比较两幅图像的直方图来评估它们相似性的方法。基本原理是比较图像的颜色或灰度分布。

11.2 示例代码

Histogram Compare Result: 0.8173332006305307

import cv2
import matplotlib.pyplot as plt
import numpy as np# 显示图片
def show_image(image, title, pos):plt.subplot(4, 2, pos)plt.title(title)image_RGB = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)plt.imshow(image_RGB)plt.axis("off")# 显示彩色直方图 b, g, r
def show_histogram(hist, title, pos, color):plt.subplot(4, 2, pos)plt.title(title)plt.xlim([0, 256])for h, c in zip(hist, color):  # color: ('b', 'g', 'r')plt.plot(h, color=c)# 计算彩色直方图
def calc_color_hist(image):hist = []hist.append(cv2.calcHist([image], [0], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [1], None, [256], [0, 256]))hist.append(cv2.calcHist([image], [2], None, [256], [0, 256]))return hist# 直方图比较
def histogram_compare(image1, image2):hist1 = cv2.calcHist([image1], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256])hist2 = cv2.calcHist([image2], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256])# 使用巴氏距离进行直方图比较result = cv2.compareHist(hist1, hist2, cv2.HISTCMP_BHATTACHARYYA)return result# 主函数
def main():# 读取图片1img1 = cv2.imread("../images/11-1.jpg")# 读取图片2img2 = cv2.imread("../images/11-2.jpg")# 显示图片1show_image(img1, "Image 1", 1)# 计算并显示图片1的直方图img1_hist = calc_color_hist(img1)show_histogram(img1_hist, "Image 1 Hist", 2, ('b', 'g', 'r'))# 显示图片2show_image(img2, "Image 2", 5)# 计算并显示图片2的直方图img2_hist = calc_color_hist(img2)show_histogram(img2_hist, "Image 2 Hist", 6, ('b', 'g', 'r'))# 直方图比较hist_compare_result = histogram_compare(img1, img2)print(f"Histogram Compare Result: {hist_compare_result}")plt.show()if __name__ == '__main__':main()