快捷導(dǎo)航

Python圖像運算之圖像掩膜直方圖和HS直方圖詳解

更新時間：2022年08月17日 08:20:09 作者：Eastmount

這篇文章將為大家詳細(xì)講解圖像掩膜直方圖和HS直方圖，并分享一個通過直方圖判斷白天與黑夜的案例。文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以了解一下

一.圖像掩膜直方圖

如果要統(tǒng)計圖像的某一部分直方圖，就需要使用掩碼（蒙板）來進(jìn)行計算。假設(shè)將要統(tǒng)計的部分設(shè)置為白色，其余部分設(shè)置為黑色，然后使用該掩膜進(jìn)行直方圖繪制，其完整代碼如下所示。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

#讀取圖像
img = cv2.imread('luo.png')

#轉(zhuǎn)換為RGB圖像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#設(shè)置掩膜
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:300] = 255
masked_img = cv2.bitwise_and(img, img, mask=mask)

#圖像直方圖計算
hist_full = cv2.calcHist([img], [0], None, [256], [0,256]) #通道[0]-灰度圖

#圖像直方圖計算(含掩膜)
hist_mask = cv2.calcHist([img], [0], mask, [256], [0,256])

plt.figure(figsize=(8, 6))

#設(shè)置字體
matplotlib.rcParams['font.sans-serif']=['SimHei']

#原始圖像
plt.subplot(221)
plt.imshow(img_rgb, 'gray')
plt.axis('off')
plt.title("(a)原始圖像")

#繪制掩膜
plt.subplot(222)
plt.imshow(mask, 'gray')
plt.axis('off')
plt.title("(b)掩膜")

#繪制掩膜設(shè)置后的圖像
plt.subplot(223)
plt.imshow(masked_img, 'gray')
plt.axis('off')
plt.title("(c)圖像掩膜處理")

#繪制直方圖
plt.subplot(224)
plt.plot(hist_full)
plt.plot(hist_mask)
plt.title("(d)直方圖曲線")
plt.xlabel("x")
plt.ylabel("y")
plt.show()

其運行結(jié)果如圖1所示，它使用了一個200×200像素的掩膜進(jìn)行實驗。其中圖1(a)表示原始圖像，圖1(b)表示200×200像素的掩膜，圖1©表示原始圖像進(jìn)行掩膜處理，圖1(d)表示直方圖曲線，藍(lán)色曲線為原始圖像的灰度值直方圖分布情況，綠色波動更小的曲線為掩膜直方圖曲線。

二.圖像HS直方圖

為了刻畫圖像中顏色的直觀特性，常常需要分析圖像的HSV空間下的直方圖特性。HSV空間是由色調(diào)（Hue）、飽和度（Saturation）、以及亮度（Value）構(gòu)成，因此在進(jìn)行直方圖計算時，需要先將源RGB圖像轉(zhuǎn)化為HSV顏色空間圖像，然后將對應(yīng)的H和S通道進(jìn)行單元劃分，再其二維空間上計算相對應(yīng)直方圖，再計算直方圖空間上的最大值并歸一化繪制相應(yīng)的直方圖信息，從而形成色調(diào)-飽和度直方圖（或H-S直方圖）。該直方圖通常應(yīng)用在目標(biāo)檢測、特征分析以及目標(biāo)特征跟蹤等場景[1-2]。

由于H和S分量與人感受顏色的方式是緊密相連，V分量與圖像的彩色信息無關(guān)，這些特點使得HSV模型非常適合于借助人的視覺系統(tǒng)來感知彩色特性的圖像處理算法。

下面的代碼是具體的實現(xiàn)代碼，使用matplotlib.pyplot庫中的imshow()函數(shù)來繪制具有不同顏色映射的2D直方圖。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('luo.png')

#轉(zhuǎn)換為RGB圖像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#圖像HSV轉(zhuǎn)換
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

#計算H-S直方圖
hist = cv2.calcHist(hsv, [0,1], None, [180,256], [0,180,0,256])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.title("(a)"), plt.axis('off')

#繪制H-S直方圖
plt.subplot(122), plt.imshow(hist, interpolation='nearest'), plt.title("(b)")
plt.xlabel("x"), plt.ylabel("y")
plt.show()

圖2(a)表示原始輸入圖像，圖2(b)是原圖像對應(yīng)的彩色直方圖，其中X軸表示飽和度（S），Y軸表示色調(diào)（H）。在直方圖中，可以看到H=140和S=130附近的一些高值，它對應(yīng)于艷麗的色調(diào)。

三.直方圖判斷白天黑夜

接著講述一個應(yīng)用直方圖的案例，通過直方圖來判斷一幅圖像是黑夜或白天。常見的方法是通過計算圖像的灰度平均值、灰度中值或灰度標(biāo)準(zhǔn)差，再與自定義的閾值進(jìn)行對比，從而判斷是黑夜還是白天[3-4]。

灰度平均值：該值等于圖像中所有像素灰度值之和除以圖像的像素個數(shù)。

灰度中值：對圖像中所有像素灰度值進(jìn)行排序，然后獲取所有像素最中間的值，即為灰度中值。

灰度標(biāo)準(zhǔn)差：又常稱均方差，是離均差平方的算術(shù)平均數(shù)的平方根。標(biāo)準(zhǔn)差能反映一個數(shù)據(jù)集的離散程度，是總體各單位標(biāo)準(zhǔn)值與其平均數(shù)離差平方的算術(shù)平均數(shù)的平方根。如果一幅圖看起來灰蒙蒙的，那灰度標(biāo)準(zhǔn)差就小；如果一幅圖看起來很鮮艷，那對比度就很大，標(biāo)準(zhǔn)差也大。

下面的代碼是計算灰度“Lena”圖的灰度平均值、灰度中值和灰度標(biāo)準(zhǔn)差。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#函數(shù): 獲取圖像的灰度平均值
def fun_mean(img, height, width):
    sum_img = 0
    for i in range(height):
        for j in range(width):
            sum_img = sum_img + int(img[i,j])
    mean = sum_img / (height * width)
    return mean

#函數(shù): 獲取中位數(shù)
def fun_median(data):
    length = len(data)
    data.sort()
    if (length % 2)== 1: 
        z = length // 2
        y = data[z]
    else:
        y = (int(data[length//2]) + int(data[length//2-1])) / 2
    return y

#讀取圖像
img = cv2.imread('lena-hd.png')

#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]

#計算圖像的灰度平均值
mean = fun_mean(grayImage, height, width)
print("灰度平均值：", mean)

#計算圖像的灰度中位數(shù)
value = grayImage.ravel() #獲取所有像素值
median = fun_median(value)
print("灰度中值：", median)

#計算圖像的灰度標(biāo)準(zhǔn)差
std = np.std(value, ddof = 1)
print("灰度標(biāo)準(zhǔn)差", std)

其運行結(jié)果如圖3所示，圖3(a)為原始圖像，圖3(b)為處理結(jié)果。其灰度平均值為123，灰度中值為129，灰度標(biāo)準(zhǔn)差為48.39。

下面講解另一種用來判斷圖像是白天還是黑夜的方法，其基本步驟如下：

（1）讀取原始圖像，轉(zhuǎn)換為灰度圖，并獲取圖像的所有像素值；

（2）設(shè)置灰度閾值并計算該閾值以下的像素個數(shù)。比如像素的閾值設(shè)置為50，統(tǒng)計低于50的像素值個數(shù)；

（3）設(shè)置比例參數(shù)，對比該參數(shù)與低于該閾值的像素占比，如果低于參數(shù)則預(yù)測為白天，高于參數(shù)則預(yù)測為黑夜。比如該參數(shù)設(shè)置為0.8，像素的灰度值低于閾值50的個數(shù)占整幅圖像所有像素個數(shù)的90%，則認(rèn)為該圖像偏暗，故預(yù)測為黑夜；否則預(yù)測為白天。

具體實現(xiàn)的代碼如下所示。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#函數(shù): 判斷黑夜或白天
def func_judge(img):
    #獲取圖像高度和寬度
    height = grayImage.shape[0]
    width = grayImage.shape[1]
    piexs_sum = height * width
    dark_sum = 0  #偏暗像素個數(shù)
    dark_prop = 0 #偏暗像素所占比例
    
    for i in range(height):
        for j in range(width):
            if img[i, j] < 50: #閾值為50
                dark_sum += 1

    #計算比例
    print(dark_sum)
    print(piexs_sum)
    dark_prop = dark_sum * 1.0 / piexs_sum 
    if dark_prop >=0.8:
        print("This picture is dark!", dark_prop)
    else:
        print("This picture is bright!", dark_prop)
               
#讀取圖像
img = cv2.imread('day.png')

#轉(zhuǎn)換為RGB圖像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#圖像灰度轉(zhuǎn)換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#計算256灰度級的圖像直方圖
hist = cv2.calcHist([grayImage], [0], None, [256], [0,255])

#判斷黑夜或白天
func_judge(grayImage)

#顯示原始圖像和繪制的直方圖
plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.axis('off'), plt.title("(a)")
plt.subplot(122), plt.plot(hist, color='r'), plt.xlabel("x"), plt.ylabel("y"), plt.title("(b)")

plt.show()

第一張測試圖輸出的結(jié)果如圖4所示，其中圖4(a)為原始圖像，圖4(b)為對應(yīng)直方圖曲線。