4.1 直方图绘制

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

本章我们开始介绍直方图相关知识

1. 什么是直方图

话不多说，直接上公式：

• 公式一（数量的统计）：
  $$\begin{array}{rl}h(r_k)& =n_{k}k=0,1,2,3,...L-1\\ & k表示灰度图像的像素值\\ & n_k表示图像中像素值为k(或者区间)的像素的个数\end{array}$$
• 公式二（概率统计）：
  $$\begin{array}{rl}p(r_k)& =\frac{h(r_k)}{M\ast N}=\frac{n_k}{M\ast N}\\ & M，N表示灰度图像的行数和列数\\ & n_k表示图像中像素值为k(或者区间)的像素的个数\\ 根据& 公式可以得知p(r_k)的总和是1\end{array}$$
  简单一句话就是，直方图是统计像素的，统计某一个灰度级别的像素有多少个，并将统计的结果以图表的方式绘制出来。

2. 直方图绘制

2.1 直方图统计代码

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv

if __name__ == '__main__':
    # 读取灰度图像
    imgGray1 = cv.imread('Image/Fig0401.tif', 0)
    imgGray2 = cv.imread('Image/Fig0402.tif', 0)
    imgGray3 = cv.imread('Image/Fig0403.tif', 0)
    imgGray4 = cv.imread('Image/Fig0404.tif', 0)

    hist1 = cv.calcHist([imgGray1], [0], None, [256], [0, 256])
    hist2 = cv.calcHist([imgGray2], [0], None, [256], [0, 256])
    hist3 = cv.calcHist([imgGray3], [0], None, [256], [0, 256])
    hist4 = cv.calcHist([imgGray4], [0], None, [256], [0, 256])

    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.figure(figsize=(10, 5))
    titleList = ["暗图像", "亮图像", "低对比度图像", "高对比度", "直方图", "直方图", "直方图", "直方图"]
    imageList = [imgGray1, imgGray2, imgGray3, imgGray4, hist1, hist2, hist3, hist4]
    for i in range(4):
        plt.subplot(2, 4, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')

    for i in range(4,8):
        plt.subplot(2, 4, i + 1), plt.title(titleList[i])
        plt.plot(imageList[i], color='r')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

2.2 直方图绘制效果

从上图中可以看出：

• 较暗的图像直方图集中在灰度级低的区域
• 较亮的图像直方图集中在灰度级高的区域
• 对比度低的图像灰度等级比较集中
• 对比度高的图像灰度等级比较分散