一、图像直方图

1.1 定义：

图像直方图是图像的基本属性之一，也是反映图像像素数据分布的统计学特征，其横坐标代表了图像像素点在[0,255]范围中，纵坐标代表图像像素点出现的个数或百分比。如图：

 1.2 函数：cv2.calcHist([img1],[channels],mask,histSize,ranges)

img：输入图像

channels:通道，如果输入的是灰度图，则此参数为[0],如果是彩色图，传入参数为[0]或[1]或[2]分别对应BGR。

mask：掩膜统计整幅图的直方图就是None。如果画某一部分直方图，需要制作一个掩模图像并使用。掩模大小和img一样的np数组，需要的部分为255，不需要的部分为0.

histSize：直方图bin的数目，[0,256]所以就是256。

ranges：像素范围[0，256]顾头不顾尾啦。

1.3 代码实现：

（1）准备工作加灰度图显示：

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
#显示图像
def cv_show(name,img):cv2.imshow(name,img)cv2.cv2.waitKey(0)cv2.destroyAllWindows()
#导入图像
img1=cv2.imread("C:/Users/bwy/Desktop/lena.bmp",0)
hist=cv2.calcHist([img1],[0],None,[256],[0,256])
print（hist.shape）
plt.hist(img.ravel(),256)
plt.show()

结果如图（灰度图）：

 （2）彩色图三个不同的通道：

img=cv2.imread("C:/Users/bwy/Desktop/7.png")
cv_show('img',img)
color=('b','g','r')
for i,col in enumerate(color):histr=cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color=col)plt.xlim([0,256])

结果如图：

 从上面两个图我们就可发现直方图很不均匀，可以比喻成不是矮胖的，所以我们接下来进行图像直方图均衡化。但是，在此之前我们在学习一下掩膜。

二、掩膜（mask)

2.1掩模mask思想：

掩模的大小和原图像大小一致。掩模中只有两部分，0和255，掩模中白色部分覆盖到的区域保留原图，黑色部分覆盖到的区域置为0。如果我们读入彩图，在构建np数组时，需要舍弃第三个维度，即通道。保留前两个维度img.shape[:2]，掩模的size和原图像相同。由于mask是一个数组，可以使用切片方法将保留的位置变成白色255。

2.2代码：

img.shape[:2]#(420, 607)
#创建mast
mask=np.zeros(img.shape[:2],np.uint8)
mask[100:300,200:400]=255
cv_show('mask',mask)

结果如图：

masked_img=cv2.bitwise_and(img1,img1,mask=mask)
cv_show('masked_img',masked_img)

 结果如图：

 2.3掩膜过程对比

plt.subplot(221),plt.imshow(img1)
plt.subplot(222),plt.imshow(mask)
plt.subplot(223),plt.imshow(masked_img)
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()

结果如图：

三、直方图均衡化

通过改变图像的直方图，来改变图像中各像素的灰度，用于增强局部的对比度而不影响整体的对比度。这种方法对于背景和前景都太亮或者太暗的图像非常有用。

3.1对图像整体进行均衡化：

（1）进行均衡化后直方图前后对比显示：

img=cv2.imread("C:/Users/bwy/Desktop/lena.bmp",0)
plt.hist(img.ravel(),256)
plt.show()
equ=cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()

结果对比图：

          

 （2）进行均衡化后图像前后对比显示：

img=cv2.imread("C:/Users/bwy/Desktop/lena.bmp",0)
equ=cv2.equalizeHist(img)
res=np.hstack((img,equ))
cv_show('res',res)

结果如图：（明显更亮了，好漂亮(●'◡'●)） 

 但是呢，这个方法也存在微瑕，那看一下如果我用下面这张图你就会发现了：

我们会发现这个帅锅的脸太亮了，我们观察不到细节了，细节丢失了，所以这个问题我们如何解决呢? 

 3.2 自适应均衡化

1、定义：

整幅图像会被分成很多小块，然后再对每一个小块分别进行直方图均衡化。缺点是：如果有噪声的话，噪声会被放大。为了避免这种情况的出现要使用对比度限制。

2、代码：

img2=cv2.imread("C:/Users/bwy/Desktop/1.png",0)
img2.shape#(508, 672)
img3=cv2.resize(img2,(400,300))
equ1=cv2.equalizeHist(img3)
clahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
res_clahe=clahe.apply(img3)
res=np.hstack((img3,equ1,res_clahe))
cv_show('res',res)

结果如图：