Python从零到壹丨图像增强及运算：图像掩膜直方图和HS直方图

偷窥向日葵

摘要：本章主要讲解图像直方图相关知识点，包括掩膜直方图和HS直方图，并通过直方图判断黑夜与白天，通过案例分享直方图的实际应用。

本文分享自华为云社区《[Python从零到壹] 五十二.图像增强及运算篇之图像掩膜直方图和HS直方图》，作者： eastmount。
一.图像掩膜直方图

如果要统计图像的某一部分直方图，就需要使用掩码（蒙板）来进行计算。假设将要统计的部分设置为白色，其余部分设置为黑色，然后使用该掩膜进行直方图绘制，其完整代码如下所示。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. import matplotlib
7. #读取图像
8. img = cv2.imread('luo.png')
9. #转换为RGB图像
10. img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
11. #设置掩膜
12. mask = np.zeros(img.shape[:2], np.uint8)
13. mask[100:300, 100:300] = 255
14. masked_img = cv2.bitwise_and(img, img, mask=mask)
15. #图像直方图计算
16. hist_full = cv2.calcHist([img], [0], None, [256], [0,256]) #通道[0]-灰度图
17. #图像直方图计算(含掩膜)
18. hist_mask = cv2.calcHist([img], [0], mask, [256], [0,256])
19. plt.figure(figsize=(8, 6))
20. #设置字体
21. matplotlib.rcParams['font.sans-serif']=['SimHei']
22. #原始图像
23. plt.subplot(221)
24. plt.imshow(img_rgb, 'gray')
25. plt.axis('off')
26. plt.title("(a)原始图像")
27. #绘制掩膜
28. plt.subplot(222)
29. plt.imshow(mask, 'gray')
30. plt.axis('off')
31. plt.title("(b)掩膜")
32. #绘制掩膜设置后的图像
33. plt.subplot(223)
34. plt.imshow(masked_img, 'gray')
35. plt.axis('off')
36. plt.title("(c)图像掩膜处理")
37. #绘制直方图
38. plt.subplot(224)
39. plt.plot(hist_full)
40. plt.plot(hist_mask)
41. plt.title("(d)直方图曲线")
42. plt.xlabel("x")
43. plt.ylabel("y")
44. plt.show()

复制代码

其运行结果如图1所示，它使用了一个200×200像素的掩膜进行实验。其中图1(a)表示原始图像，图1(b)表示200×200像素的掩膜，图1©表示原始图像进行掩膜处理，图1(d)表示直方图曲线，蓝色曲线为原始图像的灰度值直方图分布情况，绿色波动更小的曲线为掩膜直方图曲线。

二.图像HS直方图

为了刻画图像中颜色的直观特性，常常需要分析图像的HSV空间下的直方图特性。HSV空间是由色调（Hue）、饱和度（Saturation）、以及亮度（Value）构成，因此在进行直方图计算时，需要先将源RGB图像转化为HSV颜色空间图像，然后将对应的H和S通道进行单元划分，再其二维空间上计算相对应直方图，再计算直方图空间上的最大值并归一化绘制相应的直方图信息，从而形成色调-饱和度直方图（或H-S直方图）。该直方图通常应用在目标检测、特征分析以及目标特征跟踪等场景[1-2]。
由于H和S分量与人感受颜色的方式是紧密相连，V分量与图像的彩色信息无关，这些特点使得HSV模型非常适合于借助人的视觉系统来感知彩色特性的图像处理算法。
下面的代码是具体的实现代码，使用matplotlib.pyplot库中的imshow()函数来绘制具有不同颜色映射的2D直方图。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. #读取图像
7. img = cv2.imread('luo.png')
8. #转换为RGB图像
9. img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
10. #图像HSV转换
11. hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
12. #计算H-S直方图
13. hist = cv2.calcHist(hsv, [0,1], None, [180,256], [0,180,0,256])
14. #原始图像
15. plt.figure(figsize=(8, 6))
16. plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.title("(a)"), plt.axis('off')
17. #绘制H-S直方图
18. plt.subplot(122), plt.imshow(hist, interpolation='nearest'), plt.title("(b)")
19. plt.xlabel("x"), plt.ylabel("y")
20. plt.show()

复制代码

图2(a)表示原始输入图像，图2(b)是原图像对应的彩色直方图，其中X轴表示饱和度（S），Y轴表示色调（H）。在直方图中，可以看到H=140和S=130附近的一些高值，它对应于艳丽的色调。

三.直方图判断白天黑夜

接着讲述一个应用直方图的案例，通过直方图来判断一幅图像是黑夜或白天。常见的方法是通过计算图像的灰度平均值、灰度中值或灰度标准差，再与自定义的阈值进行对比，从而判断是黑夜还是白天[3-4]。

• 灰度平均值：该值等于图像中所有像素灰度值之和除以图像的像素个数。
  
• 灰度中值：对图像中所有像素灰度值进行排序，然后获取所有像素最中间的值，即为灰度中值。
  
• 灰度标准差：又常称均方差，是离均差平方的算术平均数的平方根。标准差能反映一个数据集的离散程度，是总体各单位标准值与其平均数离差平方的算术平均数的平方根。如果一幅图看起来灰蒙蒙的， 那灰度标准差就小；如果一幅图看起来很鲜艳，那对比度就很大，标准差也大。
  

下面的代码是计算灰度“Lena”图的灰度平均值、灰度中值和灰度标准差。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. #函数: 获取图像的灰度平均值
7. def fun_mean(img, height, width):
8. sum_img = 0
9. for i in range(height):
10. for j in range(width):
11. sum_img = sum_img + int(img[i,j])
12.     mean = sum_img / (height * width)
13. return mean
14. #函数: 获取中位数
15. def fun_median(data):
16.     length = len(data)
17. data.sort()
18. if (length % 2)== 1:
19.         z = length // 2
20.         y = data[z]
21. else:
22.         y = (int(data[length//2]) + int(data[length//2-1])) / 2
23. return y
24. #读取图像
25. img = cv2.imread('lena-hd.png')
26. #图像灰度转换
27. grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
28. #获取图像高度和宽度
29. height = grayImage.shape[0]
30. width = grayImage.shape[1]
31. #计算图像的灰度平均值
32. mean = fun_mean(grayImage, height, width)
33. print("灰度平均值：", mean)
34. #计算图像的灰度中位数
35. value = grayImage.ravel() #获取所有像素值
36. median = fun_median(value)
37. print("灰度中值：", median)
38. #计算图像的灰度标准差
39. std = np.std(value, ddof = 1)
40. print("灰度标准差", std)

复制代码

其运行结果如图3所示，图3(a)为原始图像，图3(b)为处理结果。其灰度平均值为123，灰度中值为129，灰度标准差为48.39。

下面讲解另一种用来判断图像是白天还是黑夜的方法，其基本步骤如下：

• （1）读取原始图像，转换为灰度图，并获取图像的所有像素值；
  
• （2）设置灰度阈值并计算该阈值以下的像素个数。比如像素的阈值设置为50，统计低于50的像素值个数；
  
• （3）设置比例参数，对比该参数与低于该阈值的像素占比，如果低于参数则预测为白天，高于参数则预测为黑夜。比如该参数设置为0.8，像素的灰度值低于阈值50的个数占整幅图像所有像素个数的90%，则认为该图像偏暗，故预测为黑夜；否则预测为白天。
  

具体实现的代码如下所示。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. #函数: 判断黑夜或白天
7. def func_judge(img):
8. #获取图像高度和宽度
9.     height = grayImage.shape[0]
10.     width = grayImage.shape[1]
11. piexs_sum = height * width
12. dark_sum = 0 #偏暗像素个数
13. dark_prop = 0 #偏暗像素所占比例
14. for i in range(height):
15. for j in range(width):
16. if img[i, j] < 50: #阈值为50
17. dark_sum += 1
18. #计算比例
19. print(dark_sum)
20. print(piexs_sum)
21. dark_prop = dark_sum * 1.0 / piexs_sum
22. if dark_prop >=0.8:
23. print("This picture is dark!", dark_prop)
24. else:
25. print("This picture is bright!", dark_prop)
26. #读取图像
27. img = cv2.imread('day.png')
28. #转换为RGB图像
29. img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
30. #图像灰度转换
31. grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
32. #计算256灰度级的图像直方图
33. hist = cv2.calcHist([grayImage], [0], None, [256], [0,255])
34. #判断黑夜或白天
35. func_judge(grayImage)
36. #显示原始图像和绘制的直方图
37. plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.axis('off'), plt.title("(a)")
38. plt.subplot(122), plt.plot(hist, color='r'), plt.xlabel("x"), plt.ylabel("y"), plt.title("(b)")
39. plt.show()

复制代码

第一张测试图输出的结果如图4所示，其中图4(a)为原始图像，图4(b)为对应直方图曲线。

最终输出结果为“(‘This picture is bright!’, 0.010082704388303882)”，该预测为白天。

第二张测试图输出的结果如图6所示，其中图6(a)为原始图像，图6(b)为对应直方图曲线。

最终输出结果为“(‘This picture is dark!’, 0.8511824175824175)”，该预测为黑夜。

四.总结

本章主要讲解图像直方图相关知识点，包括掩膜直方图和HS直方图，并通过直方图判断黑夜与白天，通过案例分享直方图的实际应用。希望对您有所帮助，后续将进入图像增强相关知识点。
参考文献：

• [1]冈萨雷斯. 数字图像处理（第3版）[M]. 北京：电子工业出版社, 2013.
  
• [2]张恒博, 欧宗瑛. 一种基于色彩和灰度直方图的图像检索方法[J]. 计算机工程, 2004.
  
• [3]Eastmount. [数字图像处理] 四.MFC对话框绘制灰度直方图[EB/OL]. (2015-05-31). https://blog.csdn.net/eastmount/article/details/46237463.
  
• [4]ZJE_ANDY. python3+opencv 利用灰度直方图来判断图片的亮暗情况[EB/OL]. (2018-06-20). https://blog.csdn.net/u014453898/article/details/80745987.
  
• [5]阮秋琦. 数字图像处理学（第3版）[M]. 北京：电子工业出版社, 2008.
  
• [6]Eastmount. [Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图[EB/OL]. (2018-11-06). https://blog.csdn.net/Eastmount/article/details/83758402.
  

 
 
点击关注，第一时间了解华为云新鲜技术~

来源:https://www.cnblogs.com/huaweiyun/p/17078238.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！