【小林的OpenCV基礎課 16】直方圖/一定會再次啟程

宇宙よりも遠い場所

「還能回頭說明旅途還沒有開始；當你無法回頭的時候，才是真正的旅途！」

——三宅日向

這一話的結構啊：

• 關於直方圖
• 怎麼畫直方圖
• 直方圖均衡化
• 直方圖對比

關於直方圖

說到直方圖，同學們一定會想到統計學裡的直方圖（沒有想起來的抓緊去翻下中學數學課本）。所謂直方圖啊，就是把一大坨東西分成好幾部分（橫坐標），然後看看每一部分有多少（縱坐標）。比如說康娜醬的班裡要做個人愛好的統計，喜歡跳繩的有5人，喜歡唱歌的有8人，喜歡讀書的有6人，超喜歡康娜醬的有1人（才川同學了解一下）。

那麼圖像中的直方圖又是個啥子呢？喜歡攝影的同學一定見過。圖像中常見的直方圖是亮度直方圖（在CV中還有一種H-S直方圖，即在HSV空間中計算，若沒有特殊說明，將會默認介紹亮度直方圖），橫坐標表示像素值的分布（通常0~255），縱坐標為像素個數，那麼圖像直方圖的含義就是數數看每個像素值對應的像素個數，進一步講，橫坐標的左側為暗的區域，右側為亮的區域，所以圖像的亮度分布情況就可以反應在亮度直方圖中。

直方圖是一個統計量，往往能反應圖像的色彩(亦可以說是光線)特徵，卻丟掉了像素位置信息，所以只要色彩信息即像素值不變，即使打亂像素的相對位置，直方圖也是不會變化的。

直方圖的繪製

在OpenCV中，我們使用函數calcHist來計算直方圖（僅僅是計算），如果使用python，則可藉助matplotlib繪製出直方圖（python的話當然也可以用OpenCV中的繪圖函數，但有matplotlib這麼好的工具為什麼不用呢）。

注意了，這一話寫於B站在納斯達克上市之際，為了慶祝這一偉大時刻，小林選擇使用折線圖而不是數學上定義的直方圖。

API：

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

• hist：直方圖的數據，是一個二維數組
• image：數組集合，這裡就是圖像集合，可以是一幅或多幅圖像，需要有相同的深度（CV_8U或CV_32F）和尺寸
• channels：要統計哪個通道的像素，彩色圖像的話就有3個通道
• mask：掩膜，當我們想要對圖像中某一區域做直方圖時就要在圖像上加一層掩膜
• histSize：要把橫軸分成多少份，實際的步長等於ranges/histSize
• ranges：統計量的取值範圍，注意不是縱軸的取值範圍，而是橫軸的取值範圍比如統計量是像素，那麼通常就是像素值的取值範圍

注意

• 參數images、channels、histSize和ranges參數都要寫成列表的形式，因為這個函數允許處理多幅圖像或多個通道
• 當要處理多幅圖像或多個通道時，histSize和ranges中參數的順序是與待處理的矩陣一一對應，比如channels寫成[0,1]，那麼ranges寫成[0,180,0,256]，即通道0的ranges是[0,180]，通道2的ranges是[0,256]，這個數值組合其實是分析HSV時用到的

好的，我們來看一個Demo，要做下面幾個事，素材取自番劇《比宇宙更遠的地方》第13話：

• 計算並繪製灰度圖像的直方圖
• 計算並繪製彩色圖像的直方圖
• 使用掩膜來繪製直方圖，掩膜是通過確定ROI並進行邏輯運算得到的

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(Drone.jpg)grayImg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)cv2.imshow(Gray Image, grayImg)# 灰度圖像的直方圖grayHist = cv2.calcHist([grayImg], [0], None, [256], [0, 256])plt.subplot(321), plt.plot(grayHist)# 彩色圖像生成直方圖color = (b, g, r)for i, col in enumerate(color): bgrHist = cv2.calcHist([img], [i], None, [256], [0, 256]) plt.subplot(322), plt.plot(bgrHist, color=col) plt.xlim([0, 256])# 掩膜處理# 創建掩膜mask = np.zeros(grayImg.shape[:2], np.uint8)mask[200:500, 300:600] = 255masked_img = cv2.bitwise_and(grayImg, grayImg, mask=mask)# 分別計算不帶掩膜和帶掩膜的直方圖數據hist_full = cv2.calcHist([grayImg], [0], None, [256], [0, 256])hist_mask = cv2.calcHist([grayImg], [0], mask, [256], [0, 256])plt.subplot(323), plt.imshow(grayImg, gray)plt.subplot(324), plt.imshow(mask, gray)plt.subplot(325), plt.imshow(masked_img, gray)plt.subplot(326), plt.plot(hist_full), plt.plot(hist_mask)plt.xlim([0, 256])plt.show()cv2.waitKey()cv2.destroyAllWindows()

直方圖均衡化（Histogram Equalization）

上文中講到亮度直方圖描述的是亮度的統計分布情況。所以一幅較亮的圖像中，直方圖將會偏向右側，較暗的圖像則會偏向左側。然而，一幅理想的圖像應該是亮暗適中，因此對應的亮度直方圖應該呈均勻分布的樣子，對於較亮或較暗的圖像我們需要進行直方圖的拉伸，這就是直方圖均衡化要做的事情。

用到的函數是equalizeHist，函數原型：

dst=cv2.equalizeHist(src[, dst])

• src：需要進行均衡化處理的圖像
• dist：均衡化後的圖像

來一個Demo，素材取自番劇《比宇宙更遠的地方》第13話

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(Drone.jpg)b, g, r = cv2.split(img)# OpenCV中的RGB模型順序為BGR matplotlib的RGB的順序就是RGBimgRGB = cv2.merge((r, g, b))equalHistImgBlue = cv2.equalizeHist(b)equalHistImgRed = cv2.equalizeHist(r)equalHistImgGreen = cv2.equalizeHist(g)equalHistImg = cv2.merge((equalHistImgBlue, equalHistImgGreen, equalHistImgRed))equalHistImgRGB = cv2.merge((equalHistImgRed, equalHistImgGreen, equalHistImgBlue))plt.subplot(221), plt.imshow(imgRGB)plt.subplot(222), plt.imshow(equalHistImgRGB)color = (b, g, r)for i, col in enumerate(color): srcHist = cv2.calcHist([img], [i], None, [256], [0, 256]) tarHist = cv2.calcHist([equalHistImg], [i], None, [256], [0, 256]) plt.subplot(223), plt.plot(srcHist, color=col) plt.subplot(224), plt.plot(tarHist, color=col) plt.xlim([0, 256])plt.show()cv2.waitKey()

直方圖對比

亮度直方圖反應了一幅圖像的亮度分布，這一特性可以用來比較兩幅圖像的相似性，也可以研究不同光照對同一幅圖像的影響。

要用到函數compareHist，函數原型：

retval=cv2.compareHist(H1, H2, method)

• retval：兩個直方圖的相似度
• H1和H2：需要比較的兩個直方圖
• method：比較方法，這裡介紹三種，其他的方法可以查閱API

這三種方法依次是：

• HISTCMP_CORREL（相關）：函數返回值越大相似度越高， 和 是兩個直方圖的均值
• HISTCMP_CHISQR（卡方）：函數返回值越低相似度越高
• HISTCMP_INTERSECT（直方圖相交）：函數返回值越高相似度越高

來一個Demo，我們要比較三張圖片，這三張圖片是小林早上吃面的時候拍的（愛吃拉麵的小泉同學了解一下）

import cv2import numpy as npfrom matplotlib import pyplot as pltimg1 = cv2.imread(noodle1.JPG)img2 = cv2.imread(noodle2.JPG)img3 = cv2.imread(noodle3.JPG)grayImg1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)grayImg2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)grayImg3 = cv2.cvtColor(img3, cv2.COLOR_BGR2GRAY)# 從BGR轉換到RGB 便於使用matplotlib顯示img1RGB = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)img2RGB = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)img3RGB = cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)grayHist1 = cv2.calcHist([grayImg1], [0], None, [256], [0, 256])grayHist2 = cv2.calcHist([grayImg2], [0], None, [256], [0, 256])grayHist3 = cv2.calcHist([grayImg3], [0], None, [256], [0, 256])result1 = cv2.compareHist(grayHist1, grayHist2, cv2.HISTCMP_CORREL)result2 = cv2.compareHist(grayHist1, grayHist3, cv2.HISTCMP_CORREL)print(result1)print(result2)plt.subplot(231), plt.imshow(img1RGB)plt.subplot(232), plt.imshow(img2RGB)plt.subplot(233), plt.imshow(img3RGB)plt.subplot(234), plt.plot(grayHist1)plt.subplot(235), plt.plot(grayHist2)plt.subplot(236), plt.plot(grayHist3)plt.show()cv2.waitKey()

# 輸出結果如下 可以看出 亮度直方圖對比對光線較敏感0.527483236095986# 視角相同 光線不同0.885018249543686# 視角不同 光線相同