今天带来OpenCV利用python来实现图像的直方图均衡化教程详解
1.直方图
直方图 : (1) 图像中不同像素等级出现的次数 (2) 图像中具有不同等级的像素关于总像素数目的比值。
我们使用 cv2.calcHist 方法得到直方图
cv2.calcHist(images, channels, mask, histSize, ranges):
-img: 图像 -channels: 选取图像的哪个通道 -histSize: 直方图大小 -ranges: 直方图范围
cv2.minMaxLoc: 返回直方图的最大最小值，以及他们的索引
import cv2 import numpy as np def ImageHist(image, type): color = (255, 255,255) windowName = 'Gray' if type == 1: #判断通道颜色类型 B-G-R color = (255, 0, 0) windowName = 'B hist' elif type == 2: color = (0,255,0) windowName = 'G hist' else: color = (0,0,255) # 得到直方图 hist = cv2.calcHist([image],[0],None,[256],[0,255]) # 得到最大值和最小值 minV,maxV,minL,maxL = cv2.minMaxLoc(hist) histImg = np.zeros([256,256,3],np.uint8) #直方图归一化 for h in range(256): interNormal = int(hist[h] / maxV * 256) cv2.line(histImg, (h, 256), (h, 256 - interNormal), color) cv2.imshow(windowName, histImg) return histImg img = cv2.imread('img.jpg', 1) channels = cv2.split(img) # R-G-B for i in range(3): ImageHist(channels[i], 1 + i) cv2.waitKey(0)
2.直方图均衡化
灰色图像直方图均衡化
这里我们直接使用 cv2.equalizeHist 方法来得到直方图均衡化之后的图像
import cv2 import numpy as np img = cv2.imread('img.jpg', 1) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) dat = cv2.equalizeHist(gray) cv2.imshow('gray', gray)a cv2.imshow('dat', dat) cv2.waitKey(0)
原图像：
直方图均衡化后的图像：
彩色图像直方图均衡化
彩色图像有3个通道，直方图是针对单通道上的像素统计，所以使用 cv2.split 方法分离图像的颜色通道，分别得到各个通道的直方图，最后使用 cv2.merge() 方法合并直方图，得到彩色图像的直方图均衡化
import cv2 import numpy as np img = cv2.imread('img.jpg', 1) cv2.imshow('img', img) (b, g, r) = cv2.split(img) bH = cv2.equalizeHist(b) gH = cv2.equalizeHist(g) rH = cv2.equalizeHist(r) dat = cv2.merge((bH, gH, rH)) cv2.imshow('dat', dat) cv2.waitKey(0)
D:\Anaconda\lib\site-packages\numpy\_distributor_init.py:32: UserWarning: loaded more than 1 DLL from .libs: D:\Anaconda\lib\site-packages\numpy\.libs\libopenblas.NOIJJG62EMASZI6NYURL6JBKM4EVBGM7.gfortran-win_amd64.dll D:\Anaconda\lib\site-packages\numpy\.libs\libopenblas.PYQHXLVVQ7VESDPUVUADXEVJOBGHJPAY.gfortran-win_amd64.dll stacklevel=1)
原图像：
直方图均衡化之后的图像：
3.源代码实现直方图均衡化
下面我们用源代码来实现直方图
横坐标为像素等级，纵坐标为出现的概率
import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('img.jpg', 1) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) count = np.zeros(256, np.float) for i in range(img.shape[0]): for j in range(img.shape[1]): count[int(gray[i, j])] += 1 # 统计该像素出现的次数 count = count / (img.shape[0] * img.shape[1]) # 得到概率 x = np.linspace(0,255,256) plt.bar(x, count,color = 'b') plt.show() # 计算累计概率 for i in range(1,256): count[i] += count[i - 1] # 映射 map1 = count * 255 for i in range(img.shape[0]): for j in range(img.shape[1]): p = gray[i, j] gray[i, j] = map1[p] cv2.imshow('gray', gray) cv2.waitKey(0)
直方图：
直方图均衡化后的图像：
彩色直方图源码
import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('img.jpg', 1) # R-G-B三种染色直方图 countb = np.zeros(256, np.float32) countg = np.zeros(256, np.float32) countr = np.zeros(256, np.float32) for i in range(img.shape[0]): for j in range(img.shape[1]): (b,g,r) = img[i,j] b = int(b) g = int(g) r = int(r) countb[b] += 1 # 统计该像素出现的次数 countg[g] += 1 countr[r] += 1 countb = countb / (img.shape[0] * img.shape[1]) # 得到概率 countg = countg / (img.shape[0] * img.shape[1]) countr = countr / (img.shape[0] * img.shape[1]) x = np.linspace(0,255,256) plt.figure() plt.bar(x, countb,color = 'b') plt.figure() plt.bar(x, countg,color = 'g') plt.figure() plt.bar(x, countr,color = 'r') plt.show() # 计算直方图累计概率 for i in range(1,256): countb[i] += countb[i - 1] countg[i] += countg[i - 1] countr[i] += countr[i - 1] #映射表 mapb = countb * 255 mapg = countg * 255 mapr = countr * 255 dat = np.zeros(img.shape, np.uint8) for i in range(img.shape[0]): for j in range(img.shape[1]): (b,g,r) = img[i, j] dat[i, j] = (mapb[b],mapg[g],mapr[r]) cv2.imshow('dat', dat) cv2.waitKey(0)
R-G-B 3 种颜色通道的直方图如下：
图像均衡化之后的结果：
到此这篇关于OpenCV利用python来实现图像的直方图均衡化的文章就介绍到这了,更多相关OpenCV 直方图均衡化内容请搜索自学php网以前的文章或继续浏览下面的相关文章希望大家以后多多支持自学php网！
以上就是关于OpenCV利用python来实现图像的直方图均衡化全部内容,感谢大家支持自学php网。查看更多关于OpenCV利用python来实现图像的直方图均衡化的详细内容...