Histogramme d'image avec OpenCV
En traitement d'image, l'histogramme est un outil très important qui peut nous aider à comprendre la distribution des pixels d'une image.
En analysant l'histogramme de l'image, nous pouvons effectuer des opérations telles que l'amélioration d'image, le réglage du contraste et la segmentation d'image.
Qu'est-ce qu'un histogramme d'image ?
Un histogramme d'image est une représentation graphique de la distribution d'intensité des pixels d'une image. Pour les images en niveaux de gris, l'histogramme montre la fréquence d'apparition de chaque niveau de gris (0 à 255) dans l'image. Pour les images en couleur, nous pouvons calculer l'histogramme pour chaque canal (comme R, G, B) séparément.
L'histogramme peut nous aider à comprendre des informations telles que la luminosité et le contraste d'une image. Par exemple, si l'histogramme est concentré dans la région des faibles niveaux de gris, l'image est sombre ; si l'histogramme est uniformément réparti, l'image a un bon contraste.
Histogramme :Représente la distribution des intensités de pixels dans une image. L'axe horizontal représente les valeurs d'intensité des pixels, et l'axe vertical représente le nombre de pixels ayant cette valeur d'intensité.
Histogramme de niveaux de gris :Un histogramme pour les images en niveaux de gris, représentant le nombre de pixels à chaque niveau de gris.
Histogramme de couleur :Un histogramme pour les images en couleur, représentant la distribution d'intensité des pixels de chaque canal de couleur (comme BGR) séparément.
OpenCV fournit un ensemble riche de fonctions de calcul et de manipulation d'histogrammes :
| Fonctionnalité | Fonction | Description |
|---|---|---|
| Calculer l'histogramme | cv2.calcHist() | Calculer l'histogramme d'une image. |
| Égalisation d'histogramme | cv2.equalizeHist() | Améliorer le contraste de l'image. |
| Comparaison d'histogrammes | cv2.compareHist() | Comparer la similitude de deux histogrammes. |
| Tracer un histogramme | matplotlib.pyplot.plot() | Utiliser Matplotlib pour tracer des histogrammes. |
Fonctions de calcul d'histogrammes dans OpenCV
Dans OpenCV, on peut utilisercv2.calcHist()fonction pour calculer l'histogramme d'une image.
cv2.calcHist()Syntaxe de la fonction
cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])
Description des paramètres
- images: La liste des images d'entrée, généralement une liste contenant des images monocanal ou multicanal. Par exemple
[img]。 - channels: L'indice du canal pour lequel l'histogramme doit être calculé. Pour les images en niveaux de gris, utilisez
[0]; pour les images en couleur, vous pouvez utiliser[0]、[1]、[2]pour calculer respectivement les histogrammes des canaux bleu, vert et rouge. - mask: Image de masque. Si un masque est spécifié, seuls les pixels dans la zone du masque sont calculés. Si aucun masque n'est nécessaire, vous pouvez passer
None。 - histSize: Le nombre de classes dans l'histogramme. Pour les images en niveaux de gris, il est généralement défini à
[256], ce qui indique que les niveaux de gris sont divisés en 256 classes. - ranges: La plage de valeurs des pixels. Pour les images en niveaux de gris, elle est généralement définie à
[0, 256], ce qui indique que la plage de valeurs des pixels va de 0 à 255. - hist: Le tableau d'histogramme de sortie.
- accumulate: Indique s'il faut accumuler l'histogramme. Si défini sur
True, l'histogramme ne sera pas effacé, mais s'accumulera à chaque appel.
Supposons que nous ayons une image en niveaux de grisimg, nous pouvons utiliser le code suivant pour calculer son histogramme :
Exemple
import numpy as np
import matplotlib.pyplot as plt
# Lire l'image
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Calculer l'histogramme
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
# Tracer l'histogramme
plt.plot(hist)
plt.title('Histogramme en niveaux de gris')
plt.xlabel('Valeur de pixel')
plt.ylabel('Fréquence')
plt.show()
Égalisation d'histogramme
L'égalisation d'histogramme est une méthode pour améliorer le contraste d'une image en redistribuant les valeurs d'intensité des pixels afin de rendre l'histogramme plus uniforme.
Syntaxe :
equalized_image = cv2.equalizeHist(image)
Exemple
equalized_image = cv2.equalizeHist(image)
# Afficher le résultat
cv2.imshow("Image égalisée", equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
Histogramme de couleurs
Calculer l'histogramme de couleurs
Pour les images en couleur, l'histogramme de chaque canal de couleur peut être calculé séparément.
Exemple
image = cv2.imread("path/to/image")
# Calculer l'histogramme de chaque canal BGR
colors = ('b', 'g', 'r')
for i, color in enumerate(colors):
hist = cv2.calcHist([image], [i], None, [256], [0, 256])
plt.plot(hist, color=color)
# Tracer l'histogramme
plt.title("Histogramme de couleur")
plt.xlabel("Intensité des pixels")
plt.ylabel("Nombre de pixels")
plt.show()
Égalisation d'histogramme de couleur
Pour les images en couleur, l'égalisation d'histogramme peut être appliquée à chaque canal séparément.
Exemple
b, g, r = cv2.split(image)
# Effectuer l'égalisation d'histogramme sur chaque canal
b_eq = cv2.equalizeHist(b)
g_eq = cv2.equalizeHist(g)
r_eq = cv2.equalizeHist(r)
# Fusionner les canaux
equalized_image = cv2.merge([b_eq, g_eq, r_eq])
# Afficher le résultat
cv2.imshow("Image couleur égalisée", equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
Comparaison d'histogrammes
OpenCV fournit la fonction cv2.compareHist() pour comparer la similarité de deux histogrammes.
Syntaxe :
similarity = cv2.compareHist(hist1, hist2, method)
hist1: Le premier histogramme.hist2: Le deuxième histogramme.method: Méthode de comparaison, par exemplecv2.HISTCMP_CORREL(comparaison par corrélation).
Exemple
hist1 = cv2.calcHist([image1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([image2], [0], None, [256], [0, 256])
# Comparer les histogrammes
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
print("Similarité de l'histogramme :", similarity)
Applications des histogrammes
- Amélioration d'image : grâce à l'égalisation d'histogramme, le contraste d'une image peut être amélioré, rendant les détails plus nets.
- Segmentation d'image : en analysant l'histogramme, un seuil peut être déterminé pour la segmentation d'image.
- Appariement d'images : en comparant les histogrammes, la similarité de deux images peut être déterminée, ce qui est utilisé pour l'appariement et la recherche d'images.
- Analyse des couleurs : grâce aux histogrammes de couleurs, la distribution des couleurs d'une image peut être analysée pour la correction des couleurs et le traitement de stylisation.
Voici un exemple complet de code pour le calcul et l'égalisation d'histogramme :
Exemple
import numpy as np
import matplotlib.pyplot as plt
# Lire une image en niveaux de gris
image = cv2.imread("path/to/image", cv2.IMREAD_GRAYSCALE)
# Calculer l'histogramme en niveaux de gris
hist = cv2.calcHist([image], [0], None, [256], [0, 256])
# Tracer l'histogramme
plt.plot(hist)
plt.title("Histogramme en niveaux de gris")
plt.xlabel("Intensité des pixels")
plt.ylabel("Nombre de pixels")
plt.show()
# Égalisation d'histogramme
equalized_image = cv2.equalizeHist(image)
# Afficher le résultat
cv2.imshow("Image égalisée", equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()