【python-opencv】图像直方图

 图像直方图使用到：python-opencv、matplotlib、numpy

def plot_demo(image):
    print(len(image.ravel()))    #统计image3通道的像素个数
    # numpy的ravel函数功能是将多维数组降为一维数组image.ravel() = 高像素320*宽像素240*通道数3 = 230400
    """
    hist函数原型：hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical',      rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, hold=None, data=None, **kwargs)
    x参数表示是一个数组或一个序列，是指定每个bin(箱子)分布的数据
    bins参数表示指定bin(箱子)的个数,也就是总共有几条条状图
    range参数表示箱子的下限和上限。即横坐标显示的范围，范围之外的将被舍弃。
    """
    plt.hist(image.ravel(), 256, [0, 256])
    plt.show()

"""
BINS: 在上面的直方图当中，如果像素值是0到255，则需要256个值来显示直方图。但是，如果不需要知道每个像素值的像素数目，值想知道两个像素值之间的像素点数目怎么办？例如，想知道像素值在0到15之间的像素点数目，然后是16到31。。。240到255。可以将256个值分成16份，每份计算综合。每个分成的小组就是一个BIN（箱）。在opencv中使用histSize表示BINS。 
DIMS: 数据的参数数目。当前例子当中，对收集到的数据只考虑灰度值，所以该值为1。 
RANGE: 灰度值范围，通常是[0,256]，也就是灰度所有的取值范围。

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

images参数:原图像（格式为uint8或float32）。图像传入时应当用[]括起来，[img]
channels参数:同样要用括号括起来，该参数决定统计图像什么样像素信息的直方图。如果是灰度图，那么[0]，彩色图像传入参数[0],[1][2]对应B、G、R。
mask参数:表示蒙板，如果要统计整个图像，那么参数值为None，否则传入蒙板即可。
histSize参数:BIN的数目，上面提过，用括号括上。
ranges参数:图像的像素范围，通常为[0,256]

"""
#画三通道BGR颜色的直方图
def image_hist(image):
    color = ('b', 'g', 'r')   #这里画笔颜色的值可以为大写或小写或只写首字母或大小写混合
    for i , color in enumerate(color):
        """
        cv2.calcHist([image], [channel], mask, [histSize], ranges[, hist[, accumulate ]]) 
        第一个参数必须用方括号括起来。
        第二个参数是用于计算直方图的通道，这里使用灰度图计算直方图，所以就直接使用第一个通道；
        第三个参数是Mask，这里没有使用，所以用None。
        第四个参数是histSize，表示这个直方图分成多少份（即多少个直方柱）。第二个例子将绘出直方图，到时候会清楚一点。
        第五个参数是表示直方图中各个像素的值，[0.0, 256.0]表示直方图能表示像素值从0.0到256的像素。
        最后是两个可选参数，由于直方图作为函数结果返回了，所以第六个hist就没有意义了（待确定） 最后一个accumulate是一个布尔值，用来表示直方图是否叠加。
        """
        hist = cv.calcHist([image], [i], None, [256], [0, 256])  #计算直方图#返回hist
        plt.plot(hist, color)
        plt.xlim([0, 256])
    plt.show()

#全局的直方图均衡化（调整对比度 图像增强）针对灰度图像
def equalHist_demo(image):
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    dst = cv.equalizeHist(gray)
    cv.imshow('equalHist_demo',dst)

"""
#自适应的局部直方图均衡化
createCLAHE函数原型：createCLAHE([clipLimit[, tileGridSize]]) -> retval
clipLimit参数表示对比度的大小。
tileGridSize参数表示每次处理块的大小 。
"""
def clahe_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    clahe = cv.createCLAHE(clipLimit=5.0,tileGridSize=(8,8))
    dst = clahe.apply(gray)
    cv.imshow('clahe_demo', dst)

注意：

1.cv2.equalizeHist函数原型：equalizeHist(src[, dst]) -> dst。函数equalizeHist的作用：直方图均衡化，提高图像质量。

2.直方图均衡化:如果一副图像的像素占有很多的灰度级而且分布均匀，那么这样的图像往往有高对比度和多变的灰度色调。直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。它的基本思想是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展像元取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。

3.全局直方图均衡化可能得到是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，它是一种局部直方图均衡化，也就是是说把整个图像分成许多小块（比如按10*10作为一个小块），那么对每个小块进行均衡化。

4.createCLAHE函数原型：createCLAHE([, clipLimit[, tileGridSize]]) -> retval

clipLimit参数表示对比度的大小。

tileGridSize参数表示每次处理块的大小 。

自适应局部直方图均衡化

 四、直方图反向投影

#直方图反向投影技术（通过二维直方图反映，必须先把原图像转换为hsv）
import cv2 as cv

#计算H-S直方图
def back_projection_demo():
    sample = cv.imread("E:/imageload/sample.jpg")
    target = cv.imread("E:/imageload/target.jpg")
    roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV)
    target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV)
    cv.namedWindow("sample", cv.WINDOW_NORMAL)
    cv.imshow("sample", sample)
    cv.namedWindow("target", cv.WINDOW_NORMAL)
    cv.imshow("target", target)
    roiHist = cv.calcHist([roi_hsv], [0, 1], None, [32, 30], [0, 180, 0, 256])#计算样本直方图   [32, 30]越小，效果越好
    cv.normalize(roiHist, roiHist, 0, 255, cv.NORM_MINMAX) #规划到0-255之间
    dst = cv.calcBackProject([target_hsv], [0,1], roiHist, [0, 180, 0, 256], 1) #计算反向投影
    cv.namedWindow("back_projection_demo", cv.WINDOW_NORMAL)
    cv.imshow("back_projection_demo", dst)

back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows()

注意：

1. 归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。

归一化函数cv2.normalize原型：normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) -> dst 

src参数表示输入数组。

dst参数表示输出与src相同大小的数组，支持原地运算。

alpha参数表示range normalization模式的最小值。

beta参数表示range normalization模式的最大值，不用于norm normalization(范数归一化)模式。

norm_type参数表示归一化的类型。

norm_type参数可以有以下的取值：

NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用。

NORM_INF:归一化数组的C-范数(绝对值的最大值)。

NORM_L1 ：归一化数组的L1-范数(绝对值的和)。

NORM_L2 ：归一化数组的(欧几里德)L2-范数。

参考博客：https://blog.csdn.net/solomon1558/article/details/44689611

2.反向投影用于在输入图像（通常较大）中查找特定图像（通常较小或者仅1个像素，以下将其称为模板图像）最匹配的点或者区域，也就是定位模板图像出现在输入图像的位置。

函数cv2.calcBackProject用来计算直方图反向投影。

函数原型：calcBackProject(images, channels, hist, ranges, scale[, dst]) -> dst

images参数表示输入图像（是HSV图像）。传入时应该用中括号[ ]括起来。

channels参数表示用于计算反向投影的通道列表，通道数必须与直方图维度相匹配。

hist参数表示输入的模板图像直方图。

ranges参数表示直方图中每个维度bin的取值范围 （即每个维度有多少个bin）。

scale参数表示可选输出反向投影的比例因子，一般取1。

参考博客：https://blog.csdn.net/keith_bb/article/details/70154219