一、颜色直方图

1.1 使用opencv展示直方图

函数 cv2.calcHist(image,channels,mask,histSize,ranges) -> list

image: array为待计算直方图的图像
channels:list 通道，RGB图像可以指定[0,1,2]，灰度图像只有[0],
mask 掩码，可以指定图像的范围，如果是全图，默认为none
hitsize 为直方图的灰度级数，例如[0,255]一共256级
range 为像素值范围，为[0,255]

下面三个函数功能在RGB图像处理下差不多，请自行查阅资料
np.histogram()
np.bincount()
cv2.calcHist()

import cv2    
import numpy as npdef calcAndDrawHist(image, color):  hist= cv2.calcHist([image], [0], None, [256], [0.0,255.0])  minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)  histImg = np.zeros([256,256,3], np.uint8)  hpt = int(0.9* 256);  for h in range(256):  intensity = int(hist[h]*hpt/maxVal)  cv2.line(histImg,(h,256), (h,256-intensity), color)  return histImgif __name__ == '__main__':  original_img = cv2.imread("666.png")b, g, r = cv2.split(img)  histImgB = calcAndDrawHist(b, [255, 0, 0])  histImgG = calcAndDrawHist(g, [0, 255, 0])  histImgR = calcAndDrawHist(r, [0, 0, 255])  cv2.imshow("histImgB", histImgB)  cv2.imshow("histImgG", histImgG)  cv2.imshow("histImgR", histImgR)  cv2.imshow("Img", img)  cv2.waitKey(0)  cv2.destroyAllWindows() 

1.2 使用matplotlib绘制

matplotlib.pyplot.plot(hist,color)进行绘制

plt.hist(img.ravel(),hitsizes,ranges,color=)

img.ravel()将原图像的array数组转成一维的数组
hitsizes为直方图的灰度级数
ranges为灰度范围[0,255]
color使用color=’'来指定颜色

展示方法：
hist = cv2.calcHist([res],[0],None,[256],[0,255])
plt.plot(hist,'r')
plt.show()
=======================================================
plt.hist(res.ravel(), 256, [0, 256],color='r')
plt.show()

二、直方图均衡化

为什么要进行直方图均衡化呢？我们日常拍照时，背对太阳时或晚上出现图像欠曝，面对太阳拍照会出现过曝，图像均衡可以通过图像直方图均衡来调整图像，也可以通过 $\gamma$ 校正，来校正图片。

图像的直方图是对图像对比度效果上的一种处理，旨在使得图像整体效果均匀，黑与白之间的各个像素级之间的点更均匀一点。亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。（直接效果展示）

cv2.equalizeHist(img) 均衡化的原图像【输入img:单通道图像】则返回值即为均衡化后的图像。

2.1 全局直方图均衡化与自适应均衡化

import cv2
import numpy as npimg = cv2.imread('0002.jpg',0)img1 = cv2.equalizeHist(img)                               # 全局直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))  # 自适应直方图均衡化
cll = clahe.apply(img)res = np.hstack((img,img1,cll))
cv2.imwrite("res.jpg",res)

显然全局直方图均衡化效果不好，造成部分过曝，部分细节消失。
如下图：依次是原图；全局直方图均衡化；自适应直方图均衡化

2.2 使用查找表来拉伸直方图

在图像处理中，直方图均衡化一般用来均衡图像的强度，或增加图像的对比度。
观察上图中原始图像的直方图，很容易发现大部分强度值范围都没有用到。
因此先检测图像非0的最低（imin）强度值和最高（imax）强度值。
将最低值imin设为0，最高值imax设为255。中间的按255.0*(i-imin)/(imax-imin)+0.5)的形式设置。

import cv2
import numpy as npimage = cv2.imread("ABC.png", 0)
lut = np.zeros(256, dtype = image.dtype )                  #创建空的查找表hist,bins = np.histogram(image.flatten(),256,[0,256]) 
cdf = hist.cumsum()                                        #计算累积直方图
cdf_m = np.ma.masked_equal(cdf,0)                          #除去直方图中的0值
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())#等同于前面介绍的lut[i] = int(255.0 *p[i])公式
cdf = np.ma.filled(cdf_m,0).astype('uint8')                #将掩模处理掉的元素补为0#计算
result2 = cdf[image]
result = cv2.LUT(image, cdf)cv2.imshow("OpenCVLUT", result)
cv2.imshow("NumPyLUT", result2)
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2
import numpy as npimage = cv2.imread("ABC.png", 0)
lut = np.zeros(256, dtype = image.dtype )  # 创建空的查找表
hist= cv2.calcHist([image],[0],None,[256],[0.0,255.0])
minBinNo, maxBinNo = 0, 255for binNo, binValue in enumerate(hist):         #计算从左起第一个不为0的直方图柱的位置if binValue != 0:minBinNo = binNobreakfor binNo, binValue in enumerate(reversed(hist)):#计算从右起第一个不为0的直方图柱的位置if binValue != 0:maxBinNo = 255-binNobreak
print(minBinNo, maxBinNo)for i,v in enumerate(lut):                      #生成查找表，方法来自参考文献1第四章第2节print(i)if i < minBinNo:lut[i] = 0elif i > maxBinNo:lut[i] = 255else:lut[i] = int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)#计算
result = cv2.LUT(image, lut)
cv2.imshow("hist", hist)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.3 直方图均衡化—RGB2YCrCb

方法：将RGB彩色图像先转换到YPbPr空间，然后只对亮度通道进行全局直方图均衡化和自适应直方图均衡化，最后再将亮度通道和PbPr通道合并形成彩色图像，然后再转换回RGB空间中。
代码详细：https://docs.opencv2.org/4.1.0/d5/daf/tutorial_py_histogram_equalization.html

import numpy as np
import cv2# RGB图像全局直方图均衡化
def hisEqulColor1(img):ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB)channels = cv2.split(ycrcb)cv2.equalizeHist(channels[0], channels[0])   # 对第1个通道即亮度通道进行全局直方图均衡化并保存ycrcb = cv2.merge(channels)img = cv2.cvtColor(ycrcb, cv2.COLOR_YCR_CB2BGR)return img# RGB图像进行自适应直方图均衡化，代码同上的地方不再添加注释
def hisEqulColor2(img):ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB)channels = cv2.split(ycrcb)clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))clahe.apply(channels[0], channels[0])ycrcb = cv2.merge(channels)img = cv2.cvtColor(ycrcb, cv2.COLOR_YCR_CB2BGR)return imgif __name__ == '__main__':img = cv2.imread(r'C:\Users\xxx\Desktop\004.png')img1 = img.copy()img2 = img.copy()res1 = hisEqulColor1(img1)res2 = hisEqulColor2(img2)res = np.hstack((img, res1, res2))cv2.imwrite(r'C:\Users\xxx\Desktop\res1.jpg', res)

如下图：依次是原图；全局直方图均衡化；自适应直方图均衡化

2.4 直方图均衡化—RGB2YUV

import numpy as np
import cv2# 全局直方图均衡化
def hisEqulColor1(img):image_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)image_yuv[:, :, 0] = cv2.equalizeHist(image_yuv[:, :, 0])img = cv2.cvtColor(image_yuv, cv2.COLOR_YUV2BGR)return img# 自适应直方图均衡化
def hisEqulColor2(img):image_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))clahe.apply(image_yuv[:, :, 0])img = cv2.cvtColor(image_yuv, cv2.COLOR_YUV2BGR)return imgif __name__ == '__main__':img = cv2.imread(r'C:\Users\xxx\Desktop\004.png')img1 = img.copy()img2 = img.copy()res1 = hisEqulColor1(img1)res2 = hisEqulColor2(img2)res = np.hstack((img, res1, res2))cv2.imwrite(r'C:\Users\xxx\Desktop\res4.jpg', res)

如下图：依次是原图；全局直方图均衡化；自适应直方图均衡化

仔细观察 RGB2YUV与RGB2YCrCb 自适应直方图均衡化结果：个人觉得RGB2YUV的暗部细节更多一些。