Contents 
>>> from env_helper import info; info()

页面更新时间： 2024-04-03 23:07:01
运行环境：
    Linux发行版本: Debian GNU/Linux 12 (bookworm)
    操作系统内核: Linux-6.1.0-18-amd64-x86_64-with-glibc2.36
    Python版本: 3.11.2

2.2. 直方图与均衡化

在图像处理中，直方图是非常重要，也是非常有用的一个处理要素。

在skimage库中对直方图的处理，是放在exposure这个模块中。

2.2.1. 计算直方图

函数： skimage.exposure.histogram(image, nbins=256)

在numpy包中，也提供了一个计算直方图的函数 histogram() ,两者大同小义。

返回一个 tuple(hist, bins_center) , 前一个数组是直方图的统计量，后一个数组是每个bin的中间值

>>> import numpy as np
>>> from skimage import exposure,data
>>> image =data.camera()*1.0

用numpy包计算直方图：

>>> hist1=np.histogram(image, bins=2)

用skimage计算直方图：

>>> hist2=exposure.histogram(image, nbins=2)

分成两个bin，每个bin的统计量是一样的，但numpy返回的是每个bin的两端的范围值，而skimage返回的是每个bin的中间值：

>>> print(hist1)
>>> print(hist2)

(array([ 93585, 168559]), array([  0. , 127.5, 255. ]))
(array([ 93585, 168559]), array([ 63.75, 191.25]))

2.2.2. 绘制直方图

绘图都可以调用matplotlib.pyplot库来进行，其中的hist函数可以直接绘制直方图。

调用方式：

n, bins, patches = plt.hist(arr, bins=10, normed=0, facecolor='black', edgecolor='black',alpha=1，histtype='bar')

hist的参数非常多，但常用的就这六个，只有第一个是必须的，后面四个可选

  1. arr: 需要计算直方图的一维数组

  2. bins: 直方图的柱数，可选项，默认为10

  3. normed: 是否将得到的直方图向量归一化。默认为0

  4. facecolor: 直方图颜色

  5. edgecolor: 直方图边框颜色

  6. alpha: 透明度

  7. histtype: 直方图类型，‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’

返回值 ：

  1. n: 直方图向量，是否归一化由参数normed设定

  2. bins: 返回各个bin的区间范围

  3. patches: 返回每个bin里面包含的数据，是一个list

>>> from skimage import data
>>> import matplotlib.pyplot as plt
>>> img=data.camera()

>>> img

array([[200, 200, 200, ..., 189, 190, 190],
       [200, 199, 199, ..., 190, 190, 190],
       [199, 199, 199, ..., 190, 190, 190],
       ...,
       [ 25,  25,  27, ..., 139, 122, 147],
       [ 25,  25,  26, ..., 158, 141, 168],
       [ 25,  25,  27, ..., 151, 152, 149]], dtype=uint8)

>>> plt.figure("hist")
>>> arr=img.flatten()

<Figure size 640x480 with 0 Axes>

注意下面的参数， normed 已经被删除了 ， 替换的是 density ，效果是一样的： density=True 。 都是用来把直方图改为频率分布直方图的。

>>> # n, bins, patches = plt.hist(arr, bins=256, normed=1,edgecolor='None',facecolor='red')
>>> # 新代码
>>> n, bins, patches = plt.hist(arr, bins=256, density=True, edgecolor='None',facecolor='red')
>>> plt.show()
_images/sec09_histogram_16_0.png

其中的 flatten() 函数是numpy包里面的，用于将二维数组序列化成一维数组。

是按行序列，如:

mat=[[1 2 3], 4 5 6]]

经过 mat.flatten()后，就变成了

mat=[1 2 3 4 5 6]

2.2.3. 彩色图片三通道直方图

一般来说直方图都是征对灰度图的，如果要画rgb图像的三通道直方图，实际上就是三个直方图的叠加。

>>> from skimage import data
>>> import matplotlib.pyplot as plt
>>> img=data.chelsea()
>>> ar=img[:,:,0].flatten()
>>> plt.hist(ar, bins=256, density=True, facecolor='r',edgecolor='r')
>>> ag=img[:,:,1].flatten()
>>> plt.hist(ag, bins=256, density=True, facecolor='g',edgecolor='g')
>>> ab=img[:,:,2].flatten()
>>> # ,host
>>> plt.hist(ab, bins=256, density=True, facecolor='b',edgecolor='b')
>>> plt.show()
_images/sec09_histogram_19_0.png

其中，在plt.hist(ab, bins=256, normed=1, facecolor=‘b’,edgecolor=‘b’,host=1)加一个参数hold=1,表示可以叠加

2.2.4. 直方图均衡化

如果一副图像的像素占有很多的灰度级而且分布均匀，那么这样的图像往往有高对比度和多变的灰度色调。直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。它的基本思想是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。

>>> from skimage import data,exposure
>>> import matplotlib.pyplot as plt
>>> img=data.moon()
>>> plt.figure("hist", figsize=(8,8))
>>>
>>> arr=img.flatten()
>>> plt.subplot(221)
>>> plt.imshow(img,plt.cm.gray)  #原始图像
>>> plt.subplot(222)
>>> plt.hist(arr, bins=256, density=True, edgecolor='None',facecolor='red') #原始图像直方图
>>>
>>> img1=exposure.equalize_hist(img)
>>> arr1=img1.flatten()
>>> plt.subplot(223)
>>> plt.imshow(img1,plt.cm.gray)  #均衡化图像
>>> plt.subplot(224)
>>> plt.hist(arr1, bins=256,density=True, edgecolor='None',facecolor='red') #均衡化直方图
>>>
>>> plt.show()
_images/sec09_histogram_22_0.png

上一页

2.1. 对比度与亮度调整

下一页

2.3. Python数字图像处理：图像简单滤波