直方圖

何為直方圖？沒那么高大上，其實就是二維統計圖，每個照片都是有像素點所組成，當然也是[0,255]，直方圖就是統計每個值所對應的像素點有幾個，
直方圖橫坐標表示0-255這些像素點值；縱坐標表示對應像素點值的個數有多少個，例如：像素為55的像素點有多少個
cv2.calcHist(images,channels,mask,histSize,ranges)
cv2.calcHist([img],[0],None,[256],[0,256])

引數一：images：原影像格式為uint8或float32；當傳入函式時應該用中括號括住，通常情況下都是輸入的是灰度圖
引數二：同樣用中括號括起來，它會告訴函式我們影像的直方圖；如果輸入影像時灰度圖它的值就是[0]；如果時彩色影像傳入的引數可以是[0][1][2]，分別對應BGR
引數三：掩模影像，說白了就是取部分影像而已；統計整個影像的直方圖時就把它設定為None；當然也可以通過掩模來統計影像的某部分的直方圖
引數四：BIN的數目，也就是橫坐標的總量程而已，一般都是256，也就是0-255這256個像素點值，也需要用中括號括起來
引數五：像素值的范圍，一般設定為[0,256]

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

def show_photo(name,picture):#影像顯示函式
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('E:\Jupyter_workspace\study\data/cat.png',0)#這里的引數0表示以灰度圖進行讀取
hist = cv2.calcHist([img],[0],None,[256],[0,256])#當然由于是灰度圖通道數也只有一個即引數二[0]；引數三None表示沒有使用掩模直接輸出整體影像的直方圖；引數四[256]直方圖的橫坐標量程；引數五[0,256]像素值的范圍
hist.shape#結果為：(256, 1) 其中256表示這個影像中有0-255這256個取值，1表示得到的直方圖是二維的，即每個像素出現多少個

plt.hist(img.ravel(),256)
plt.show()


img = cv2.imread('E:\Jupyter_workspace\study\data/cat.png')#第二個引數不填表示原圖輸入，這個影像為彩色圖也就是彩色圖輸入
color = ('b','g','r')
for i,col in enumerate(color):#列舉格式遍歷每個顏色通道
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,256])
plt.show()

原圖：

原圖對應的灰度圖的直方圖：

原圖的BGR直方圖：

掩模mask

np.zeros(img.shape[:2],np.uint8)
上面的函式中有掩模的操作，接下來介紹一下掩模mask的定義的操作

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

def show_photo(name,picture):#影像顯示函式
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
#創建mast，掩模是由黑白兩部分組成的，然后與原圖重疊，掩模白色區域對應原圖區域不變，黑色區域對應原圖區域變黑
mask = np.zeros(img.shape[:2],np.uint8)#這里面的掩碼實際上就是邊緣黑中間白，此時的mask就和原圖片大小相同，uint8表示無符號八位整數0-255之間
print(mask.shape)#結果為：(321, 287)
mask[50:200,50:200] = 255#要保存的東西是白色的，白色區域為要保存的地方，所以將選取地方置為255
show_photo('mask',mask)

img = cv2.imread('E:\Jupyter_workspace\study\data/cat.png',0)#灰度圖讀取照片
print(img.shape)#結果為：(321, 287)
show_photo('img',img)

masked_img = cv2.bitwise_and(img,img,mask=mask)#與操作，也就是有0則0，黑色為0所以說掩碼黑色地區都為黑；引數一表示原影像，引數三表示掩模影像
show_photo('masked_img',masked_img)

hist_full = cv2.calcHist([img],[0],None,[256],[0,256])#不帶掩模的影像進行統計直方圖
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])#帶掩模mask的時候統計影像的部分掩模區域的直方圖

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.xlim([0,256])
plt.show()

掩模影像：

原圖：

掩模操作后的影像：

上一：原圖
上二：自定義的掩模
下一：掩模對應的原圖部分
下二：藍線對應原圖的直方圖，橙線對應掩模處理的部分原圖的直方圖

直方圖均衡化

假設某圖片部分像素值為：

下面表格中的函式映射中(255-0)表示設定的橫軸的量程這里設定的是0-255

均衡化后的像素值為：

均衡化之后發現了這16個數相差的并不是特別大了

cv2.equalizeHist(img)
傳入影像物件名稱即可進行整體均衡化

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

def show_photo(name,picture):#影像顯示函式
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('E:\Jupyter_workspace\study\data/people.jpg',0)
plt.hist(img.ravel(),256)#原影像的直方圖
plt.show()

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)#均衡化后的直方圖
plt.show()

res = np.hstack((img,equ))
show_photo('img_equ',res)#顯示原圖和均衡化后的圖片

原圖直方圖：

均衡化后的直方圖：

原圖和均衡化后的圖片對比：

均衡化后的影像臉上的細節變得更加模糊了，尷尬不？？？

這時候就需要自定義均衡化

自定義均衡化

直方圖的均衡化也就是整體的均衡化，其他像素點值大的地方給平均給其他地方了導致一下細節會丟失
若將原圖分成塊進行均衡化，每塊進行自己塊的均衡化效果會比全域整體均衡化更好些
當然，若影像里面噪音太大，區域反而沒有整體均衡化好，需要自己事先去衡量一下
cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))
(8,8)表示分塊均衡化中塊的大小

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

def show_photo(name,picture):#影像顯示函式
    cv2.imshow(name,picture)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('E:\Jupyter_workspace\study\data/people.jpg',0)
plt.hist(img.ravel(),256)#原影像的直方圖

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)#均衡化后的直方圖

clahe = cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))#自定義均衡化，每8*8分成塊，按塊進行均衡化
res_clahe = clahe.apply(img)

res = np.hstack((img,equ,res_clahe))
show_photo('img_equ_clahe',res)

原圖-整體均衡化-自定義均衡化