python opencv 直方图算法

别志华2024年9月30日大约 5 分钟

python opencv 直方图算法

Python OpenCV 直方图算法

在图像处理和计算机视觉中，直方图是一个重要的工具。它能够描述图像中像素值的分布情况，对于图像分析、增强、特征提取等有着广泛的应用。本文将详细介绍如何在 Python 中使用 OpenCV 实现直方图相关的算法，包括：

计算图像直方图
绘制直方图
直方图均衡化
直方图比较

一、计算图像直方图

函数： cv2.calcHist()

语法：

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

参数说明：

images：图像格式为 [img]，需要用方括号括起来。
channels：指定计算直方图的通道，对于灰度图像为 [0]，彩色图像可以是 [0]、[1]、[2]。
mask：掩膜图像。如果统计整幅图像的直方图则为 None。
histSize：直方图的大小，表示直方图的 bins 数量，例如 [256]。
ranges：像素值范围，一般为 [0,256]。

示例代码：

import cv2
import numpy as np

# 读取灰度图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0,256])

# 打印直方图数据
print(hist)

二、绘制直方图

绘制直方图可以帮助我们直观地观察图像中像素值的分布情况。我们可以使用 Matplotlib 库来绘制直方图。

安装 Matplotlib：

pip install matplotlib

绘制灰度图像的直方图：

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

# 读取灰度图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0,256])

# 绘制直方图
plt.figure()
plt.title('Grayscale Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.plot(hist)
plt.xlim([0,256])
plt.show()

绘制彩色图像的直方图：

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

# 读取彩色图像
img = cv2.imread('image.jpg')

# 分离 B、G、R 通道
b, g, r = cv2.split(img)

# 创建颜色列表
colors = ['b', 'g', 'r']

# 绘制每个通道的直方图
for channel, color in zip([b, g, r], colors):
    hist = cv2.calcHist([channel], [0], None, [256], [0,256])
    plt.plot(hist, color=color)
    plt.xlim([0,256])

plt.title('Color Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.show()

三、直方图均衡化

直方图均衡化是一种图像增强技术，通过调整图像像素值的分布来提高对比度。

函数： cv2.equalizeHist()

对灰度图像进行直方图均衡化：

import cv2
import numpy as np

# 读取灰度图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 应用直方图均衡化
equ = cv2.equalizeHist(img)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Equalized Image', equ)
cv2.waitKey(0)
cv2.destroyAllWindows()

比较均衡化前后的直方图：

from matplotlib import pyplot as plt

# 计算均衡化前后的直方图
hist_original = cv2.calcHist([img], [0], None, [256], [0,256])
hist_equalized = cv2.calcHist([equ], [0], None, [256], [0,256])

# 绘制直方图
plt.figure()
plt.title('Histogram Comparison')
plt.plot(hist_original, label='Original')
plt.plot(hist_equalized, label='Equalized')
plt.xlim([0,256])
plt.legend()
plt.show()

对彩色图像进行直方图均衡化：

对于彩色图像，通常先转换到 YCrCb 或 HSV 颜色空间，对亮度通道进行均衡化，然后再转换回 BGR。

import cv2
import numpy as np

# 读取彩色图像
img = cv2.imread('image.jpg')

# 转换到 YCrCb 颜色空间
img_ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)

# 对亮度通道进行均衡化
img_ycrcb[:, :, 0] = cv2.equalizeHist(img_ycrcb[:, :, 0])

# 转换回 BGR 颜色空间
img_equ = cv2.cvtColor(img_ycrcb, cv2.COLOR_YCrCb2BGR)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Equalized Image', img_equ)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、直方图比较

使用直方图可以比较两幅图像的相似度。OpenCV 提供了 cv2.compareHist() 函数用于比较直方图。

函数： cv2.compareHist()

语法：

similarity = cv2.compareHist(hist1, hist2, method)

常用的比较方法：

相关性（Correlation）：cv2.HISTCMP_CORREL，值越接近 1，表示越相似。
卡方（Chi-Square）：cv2.HISTCMP_CHISQR，值越小，表示越相似。
交叉（Intersection）：cv2.HISTCMP_INTERSECT，值越大，表示越相似。
巴氏距离（Bhattacharyya distance）：cv2.HISTCMP_BHATTACHARYYA，值越小，表示越相似。

示例代码：

import cv2
import numpy as np

# 读取两幅图像
img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE)

# 计算直方图
hist1 = cv2.calcHist([img1], [0], None, [256], [0,256])
hist2 = cv2.calcHist([img2], [0], None, [256], [0,256])

# 归一化直方图
hist1 = cv2.normalize(hist1, hist1).flatten()
hist2 = cv2.normalize(hist2, hist2).flatten()

# 定义比较方法
methods = {'Correlation': cv2.HISTCMP_CORREL,
           'Chi-Square': cv2.HISTCMP_CHISQR,
           'Intersection': cv2.HISTCMP_INTERSECT,
           'Bhattacharyya': cv2.HISTCMP_BHATTACHARYYA}

# 进行比较
for name, method in methods.items():
    similarity = cv2.compareHist(hist1, hist2, method)
    print(f'{name} 相似度：{similarity}')