opencv学习笔记（十）

图像中的直方图：
hist = cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

• images：输入的图像，可以是单张图像或图像列表。在函数中需要用中括号 【】,且原图像格式应该是uint8或者floa32
• channels：指定要计算直方图的通道索引，对于灰度图像为 [0]，对于彩色图像可以指定 [0]、[1]、[2] 分别代表蓝色、绿色和红色通道，即对应。
• mask：可选参数，用于指定要计算直方图的区域，如果不指定或者None则计算整个图像的直方图。
• histSize：指定直方图的大小，可以是一个整数或一个整数列表，表示每个通道的直方图的 bin 数量，也用【】括起来。
• ranges：指定直方图的范围，通常为 [0, 256]，表示像素值的范围。

ravel() 是 NumPy 数组对象的一个方法，用于将多维数组转换为一维数组。它返回一个视图，而不是创建新的数据副本。

plt.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, color=None, label=None, stacked=False, *, data=None, **kwargs)

• x：输入的一维数据数组，用于绘制直方图。
• bins：直方图的 bin（箱）的数量或定义的 bin 边界。默认为 None，表示自动计算 bin 数量。
• range：直方图的范围。默认为 None，表示使用数据的范围。
• density：是否将直方图归一化为概率密度。默认为 False。
• weights：用于指定每个数据点的权重。默认为 None。
• cumulative：是否绘制累积直方图。默认为 False。

其他参数用于设置直方图的样式、颜色、标签等。

#图像直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('C:/Users/hellou/Desktop/beautiful.jpg',0)
hist = cv2.calcHist([img],[0],None,[256],[0,256])

plt.hist(img.ravel(),256)
"""ravel()方法介绍：不论矩阵的维度是多少。使用ravel()可以让矩阵统统变为一维数组
调用方法：plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)
参数说明：

    bottom：可以为直方图的每个条形添加基准线，默认为0；
    histtype：指定直方图的类型，默认为bar，除此还有’barstacked’, ‘step’, ‘stepfilled’；
    align：设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’；
    orientation：设置直方图的摆放方向，默认为垂直方向；
    rwidth：设置直方图条形宽度的百分比；
    log：是否需要对绘图数据进行log变换；
    color：设置直方图的填充色；
    label：设置直方图的标签，可通过legend展示其图例；
    stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放；
"""
plt.show()

color = ('b','g','r')
for i in enumerate(color):
    histr = cv2.calcHist([img],[0],None,[256],[0,256])
    plt.xlim([0,256])
    plt.show()

matplot统计的是rbg图像，而opencv统计的是bgr图像

均衡化原理：

在图像处理中，掩码（Mask）是一个二进制图像，用于指示某些区域的位置或选择。掩码图像与原始图像具有相同的大小，但只有在掩码中对应位置为 1 的像素才被视为有效或需要处理的像素。

使用掩码可以实现以下操作：

1. 区域选择：通过将掩码中感兴趣的区域设置为白色（像素值为 255），其余区域设置为黑色（像素值为 0），可以选择图像中特定区域进行处理或分析。

2. 掩码运算：通过将两个掩码图像进行逻辑运算，可以合并、相交或排除两个区域。例如，可以通过逻辑与运算（AND）来获取两个掩码中相交区域的结果。cv2.bitwise_and() 函数进行逻辑与运算，得到两个掩码的相交区域。使用 cv2.bitwise_or() 函数进行逻辑或运算，得到两个掩码的合并区域。使用 cv2.bitwise_not() 函数进行逻辑非运算，得到第一个掩码的补集。

3. 遮罩操作：将掩码应用于原始图像，只保留掩码中为白色的像素，而将其他像素设置为透明或特定颜色，可以实现图像的遮罩效果。

直方图均衡化：

具体步骤如下

1. 将彩色图像转换为灰度图像：如果原始图像是彩色图像，首先将其转换为灰度图像。

2. 计算灰度直方图：计算灰度图像的直方图，即统计每个灰度级的像素数量。

3. 计算累积直方图：计算灰度直方图的累积分布函数（CDF），表示小于或等于给定灰度级的像素的累积概率。

4. 根据累积直方图进行像素映射：使用CDF对原始图像中的每个像素值进行映射，将像素值映射到新的灰度级。这可以通过线性插值或其他映射函数来实现。

5. 创建均衡化后的图像：使用调整后的像素值创建均衡化后的图像。

#直方图均衡化
import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('C:/Users/hellou/Desktop/self-image.jpg', 0)
img = cv2.resize(img,(600,600))
plt.hist(img.ravel(), 256)
plt.show()

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(), 256)
plt.show()

#均衡化处理后的区别
res = np.hstack((equ,img))
cv_show(res,"res")
"""因为整体平均了,所以会有部分细节进行丢失
进行分块均衡化处理,但是容易被噪音点干扰"""

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clache = clahe.apply(img)
res = np.hstack((img, equ,res_clache))
cv_show(res,'res')