图像直方图

图像直方图即对图像中每个像素值出现次数的统计直方图。

OpenCV：cv2.calcHist(images, channels, mask, histSize, ranges)

images：输入图像；
channels：输入一个包含[0, 1, 2]的列表选择通道，全选表示BGR，[0]表示灰度图；
mask：与images对齐的掩码，用于标记需要统计的像素，全选则输入None；
histSize：直方图横坐标的个数；
ranges：像素值范围，默认为[0, 256]

img = cv2.imread('cat.jpg')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
    hist = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(hist, color=col)
    plt.xlim([0, 256])

直方图均衡化

直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。其基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的。

步骤：

确定图像的灰度级（通常情况下，如果我们的图像是彩色。需要将其转换为灰度图像，其灰度级一般是0-255）；
统计每一个灰度在原始图像上的像素所占总体的比例，即每个灰度的概率；
计算累加概率（将低灰度级的概率累加到高灰度级的概率上）；
根据公式求映射结果：

$SS(i)=int((max(pix)-min(pix))*S(i)+0.5)$

OpenCV代码：cv2.equalizeHist(img)

虽然直方图均衡化后能让图像整体更加清晰，但有时候会使得原本突出的局部特征变得模糊（如图中的人脸）。

可以使用自适应直方图均衡化解决这个问题。将图像划分为多个小区域（在opencv中默认为8×8），对每一个划分子域分别进行直方图均衡化。最后使用双线性插值对每一个子域的边界进行拼接。

1
2
3

# create a CLAHE object (Arguments are optional).
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
img = clahe.apply(img)