Python与机器视觉(x) 颜色直方图

本系列博客主要分享Python在机器视觉/计算机视觉下的编程应用
cv2包是著名的视觉库OpenCV的Python实现

颜色直方图一般用于统计图片不同通道像素强度的分布，并可以基于此来实现对比度提升、以及简单的目标识别、跟踪以及分割等任务。在openCV中集成了函数cv2.calcHist()来实现直方图的计算。
函数定义如下:

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) → hist
其中images 可为单张或多张图像的array
channels 为要计算的通道数
mask 为图像掩膜
histSize 为直方图的柱子数量，即将数据分布在多少个区间上计数
range 为直方图取值范围
hist为返回值，不用填
accumulate 多张图的时候是否叠加
所以一般调用的时候只需要填上面四个参数,掩膜为None，范围0.0-255.0，数量255个：

hist = cv2.calcHist(img, [0]， None，[256], [0.0,255.0])

1. 看一个例子

import cv2
import numpy as np
import matplotlib.pyplot as plt#读入灰度图像并显示（imread用0参数）
img = cv2.imread('img.jpeg',0)
cv2.imshow('img',img)
cv2.waitKey()
cv2.destroyAllWindows()

img from pexels.com

接下来计算其像素亮度分布的直方图，在0~255范围内分为255级来计算

hist_255 = cv2.calcHist([img],[0], None, [256], [0.0,255.0])   #灰度图只有一个通道，通道0
#注意，img一定要加[],使其变成三维，否则则会使用第一维进行计算，即不加中括号会计算img[0,:]的直方分布print('histrogram shape is',hist_255.shape)
plt.plot(hist_255,'gray')
plt.title('Histrogram of gray image')
plt.show()

Output: ‘histrogram shape is’, (256L, 1L)

可以看到这幅灰度图，其亮度集中在250附近，这是由于有大片的天空呈现白色，而暗区的峰值则来源于较暗的山体。

2.看第二个例子

我们读入彩色图，并将rgb通道的颜色直方图分别画出来：

img = cv2.imread('img.jpeg')cv2.imshow('img',img)
cv2.waitKey()
cv2.destroyAllWindows()

我们对三个通道分别遍历求直方图，注意opencv中的颜色是按照b,g,r顺序的。

color = ['blue','springgreen','red']  #稍微调整显示颜色，提高可视化效果
for i in [0,1,2]:hist = cv2.calcHist([img],[0], None, [256], [0.0,255.0])   #彩色图有三个通道，通道b:0,g:1,r:2plt.plot(hist, color[i])plt.title('Histrogram of Color image')
plt.show()

可以看到在低亮度区域红色比较多，对应了图中上体的反光和云彩的颜色。

可以改变区间分割的数量来得到更为平滑或者稠密的分布曲线:

color = ['blue','springgreen','red']  #稍微调整显示颜色，提高可视化效果
for i in [0,1,2]:hist = cv2.calcHist([img],[i], None, [64], [0.0,256.0])   #用64端区间来统计0~256的灰度分布plt.plot(hist, color[i])plt.title('Histrogram of Color image')
plt.show()

为了直观的查看每个通道的质量，我们画出各个通道的图像来与直方图对比：

#画出各个通道查看，opencv中为bgr顺序
img_b = img.copy();img_b[:,:,2] = 0;img_b[:,:,1] = 0
img_g = img.copy();img_g[:,:,2] = 0;img_g[:,:,0] = 0
img_r = img.copy();img_r[:,:,0] = 0;img_r[:,:,1] = 0#转为rgb显示
plt.figure(figsize=(10,30))
plt.subplot(1,3,1)
plt.imshow(cv2.cvtColor(img_r,cv2.COLOR_BGR2RGB))  #r
plt.title('red')
plt.subplot(1,3,2)
plt.imshow(cv2.cvtColor(img_g,cv2.COLOR_BGR2RGB))  #g
plt.title('green')
plt.subplot(1,3,3)
plt.imshow(cv2.cvtColor(img_b,cv2.COLOR_BGR2RGB))  #b
plt.title('blue')
plt.show()

可以与上图的直方图相比较。

3.直方图均衡

有的时候我们需要调整图像的对比度，让整幅图在各个取值区间的像素数变得更加均衡，就需要利用上面计算出的直方图进行直方图均衡。OpenCV中主要利用cv2.equalizeHist()来实现。

import cv2
import numpy as np
import matplotlib.pyplot as pltimg2= cv2.imread('img2.jpeg')
# img from:https://www.pexels.com/photo/white-yacht-on-body-of-water-under-bridge-1529625/
cv2.imshow('img',img2)
cv2.waitKey()
cv2.destroyAllWindows()

可以看到这幅图的暗部和亮部分对比度不够好，每一部分像素分布过于集中了，在直方图中更为明显：

equal_hist_255 = cv2.calcHist([img2],[0], None, [256], [0.0,256.0])   #灰度图只有一个通道，通道0
print('histrogram shape is',hist_255.shape)
plt.plot(hist_255,'gray')
plt.title('Histrogram of gray image')
plt.show()

下面我们进行直方图均衡化，然后查看对比度修正的结果：

img_equal = cv2.equalizeHist(img2)
hist_255_equal = cv2.calcHist([img_equal],[0], None, [256], [0.0,256.0])   #灰度图只有一个通道，通道0
print('histrogram shape is',hist_255.shape)plt.figure(figsize=(20,20))
plt.subplot(2,2,1)
plt.imshow(img2,'gray')
plt.title('source')
plt.subplot(2,2,2)
plt.imshow(img_equal,'gray')
plt.title('histrogram equilized')
plt.subplot(2,2,3)
plt.plot(hist_255,'gray')
plt.title('Histrogram of gray image')
plt.subplot(2,2,4)
plt.plot(hist_255_equal,'gray')
plt.title('Histrogram of equalized image')
plt.show()

可以看到修正后的直方图分布更均匀，对比度也比原来好了很多，更能看清暗处的部分了。

让我们再来看看彩色图：

img2_color = cv2.imread('img2.jpeg')   #读入彩色图img2_color_equl = img2_color.copy()
#需要按通道分别均衡化
img2_color_equl[:,:,0] = cv2.equalizeHist(img2_color[:,:,0])
img2_color_equl[:,:,1] = cv2.equalizeHist(img2_color[:,:,1])
img2_color_equl[:,:,2] = cv2.equalizeHist(img2_color[:,:,2])plt.figure(figsize=(20,10))
plt.subplot(2,2,1)
plt.imshow(cv2.cvtColor(img2_color,cv2.COLOR_BGR2RGB))
plt.title('source')
plt.subplot(2,2,2)
plt.imshow(cv2.cvtColor(img2_color_equl,cv2.COLOR_BGR2RGB))
plt.title('Histrogram of equalized image')plt.subplot(2,2,3)
for i in [0,1,2]:hist = cv2.calcHist([img2_color],[i], None, [255], [0.0,256.0])   #彩色图三通道plt.plot(hist, color[i])plt.title('Histrogram of Color image')
plt.subplot(2,2,4)
for i in [0,1,2]:hist = cv2.calcHist([img2_color_equl],[i], None, [255], [0.0,256.0])   #彩色图plt.plot(hist, color[i])plt.title('Histrogram of equalized Color image')
plt.show()

对比度有很大改观，但是颜色产生了一定的失真。

上面一种均衡化是针对全局进行调节，但可以看到某些地方发生了失真。这时候就需要利用自适应直方图均衡。opencv中提供了限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)，其函数为cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))。它将图像中的区域分块来进行处理，其中包含两个参数，clipLimit为限制阈值，tileGridSize为区域的大小。

img3_color = cv2.imread('img.jpg')   #读入彩色图img3_color_equl = img3_color.copy()
#创建均化方法
clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(20,20))
#按通道分别局部均衡化
img3_color_equl[:,:,0] = clahe.apply(img3_color[:,:,0])
img3_color_equl[:,:,1] = clahe.apply(img3_color[:,:,1])
img3_color_equl[:,:,2] = clahe.apply(img3_color[:,:,2])plt.figure(figsize=(20,10))
plt.subplot(2,2,1)
plt.imshow(cv2.cvtColor(img3_color,cv2.COLOR_BGR2RGB))
plt.title('source')
plt.subplot(2,2,2)
plt.imshow(cv2.cvtColor(img3_color_equl,cv2.COLOR_BGR2RGB))
plt.title('Histrogram of Adaptive equalized image')
plt.subplot(2,2,3)
for i in [0,1,2]:hist = cv2.calcHist([img3_color],[i], None, [255], [0.0,256.0])   #灰度图只有一个通道，通道0plt.plot(hist, color[i])plt.title('Histrogram of Color image')
plt.subplot(2,2,4)
for i in [0,1,2]:hist = cv2.calcHist([img3_color_equl],[i], None, [255], [0.0,256.0])   #灰度图只有一个通道，通道0plt.plot(hist, color[i])plt.title('Histrogram of Adaptive equalized Color image')
plt.show()

可以看到直方图比前述方法的变得更为缓和，更为均匀的分布在了各个灰度值上。

pic from pexels.com

ref:
Doc:https://docs.opencv.org/2.4/modules/imgproc/doc/histograms.html?highlight=hist
Tutorial：http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/table_of_content_imgproc/table_of_content_imgproc.html
blog1
blog2
createCLahe
Clahe
Clahe algorithm