介紹

到目前為止，在我們的高級 OpenCV 教程中，我們已經(jīng)：

理解對比度的概念。

了解直方圖均衡的概念。

在灰度圖像上實(shí)施對比度增強(qiáng)。

繪制灰度圖像的像素直方圖。

然而，眾所周知，我們的世界由很多很多顏色組成。現(xiàn)在我們將嘗試分析彩色圖像的對比度和像素強(qiáng)度，即存在顏色通道的圖像。

了解彩色圖像

如果你閱讀過我們之前的文章，沒記錯(cuò)的話，我們了解了高級 OpenCV 使用 BGR 顏色通道，而不是 RGB。你會(huì)發(fā)現(xiàn)紅色和藍(lán)色通道已被交換。

如上圖所示，有很多顏色既醒目又吸引眼球。這些不同色調(diào)的顏色是混合顏色通道的結(jié)果。

此圖像中存在三個(gè)顏色通道：

藍(lán)色

綠色

紅色

正是通過這些顏色的混合，才能出現(xiàn)屬于色譜的二次色和許多其他顏色。

獲得圖像洞察力

第一步也是最重要的一步是將必要的包導(dǎo)入到我們的 python 腳本中，然后我們將圖像加載到我們的系統(tǒng) RAM 中。這將使用通過 OpenCV 包提供的 imread（） 方法來完成：

import cv2

import numpy as np

from matplotlib import pyplot as plt

img ＝ cv2．imread（＇C：／Users／Shivek／Pictures／Picture1．jpg＇）

上述代碼塊的輸出將顯示如下：

正如人們可能觀察到的那樣，圖像太大而無法在我的屏幕上以全尺寸顯示。但是，我們不會(huì)減小圖像的大小。這是因?yàn)槲覀兿肷钊肓私庀袼氐膶傩院拖嚓P(guān)信息。

首先，讓我們查看 Image 的形狀（NumPy 數(shù)組）：

print（image．shape）

上述代碼行的輸出將顯示如下：

在仔細(xì)檢查這一信息元組后，將按如下方式對其進(jìn)行解密：

顏色通道是BGR－NOT RGB。接下來，讓我們查看圖像的大小——大小告訴我們構(gòu)成整個(gè)圖像的像素總數(shù)。

print（image．size）

輸出：

6912000

我們的圖像中有超過 600 萬像素。

讓我們查看圖像中的第一個(gè)像素。這是第一行第一列中的像素。

print（image［0］［0］）

它的 BGR 值分別為 22、15 和 6。

現(xiàn)在我們繼續(xù)：BGR 像素計(jì)數(shù)圖。

BGR 像素強(qiáng)度線圖

由于我們圖像中的每個(gè)像素都包含 3 個(gè)顏色通道，因此我們將需要遍歷所有像素 3 次，每次分別從 B、G 和 R 通道中挑選出值。要執(zhí)行此操作，可以將 for 循環(huán)與 enumerate（） 函數(shù)結(jié)合使用。

我們可能已經(jīng)知道， enumerate（） 函數(shù)將允許我們遍歷固定數(shù)量的元素，并自動(dòng)記錄每個(gè)元素的數(shù)量。

我們將使用 MatPlotLib 包以折線圖的形式獲得像素強(qiáng)度和計(jì)數(shù)的視覺效果。

colors ＝ （＇blue＇，＇green＇，＇red＇）

label ＝ （＂Blue＂， ＂Green＂， ＂Red＂）

for count，color in enumerate（colors）：

histogram ＝ cv2．calcHist（［image］，［count］，None，［256］，［0，256］）

plt．plot（histogram，color ＝ color， label＝label［count］＋str（＂ Pixels＂））

上述代碼塊的逐行解釋如下：

在下面的代碼行中，我們創(chuàng)建了一個(gè)元組，其中包含圖形三個(gè)不同線條的顏色。由于有 3 次迭代，每次迭代都會(huì)選擇不同的顏色，因此我們可以在圖表上看到 BGR 模式。

顏色＝（＇藍(lán)色＇，＇綠色＇，＇紅色＇）

此后，我們繼續(xù)創(chuàng)建一個(gè)元組，其中包含圖表圖例的相應(yīng)標(biāo)簽。同樣，在每次迭代時(shí)，將選擇一個(gè)標(biāo)簽來標(biāo)記圖形的相應(yīng)顏色。這些標(biāo)簽將包含在圖表的圖例中，我們將在后面的代碼行中看到。

label ＝ （＂Blue＂， ＂Green＂， ＂Red＂）

為了便于圖形生成，我們有一個(gè) for－enumerate 循環(huán)，該循環(huán)將被執(zhí)行以從像素?cái)?shù)組和元組中選擇每個(gè)所需項(xiàng)目，在這些項(xiàng)目上，它們將在同一畫布上繪制為折線圖。

for count，color in enumerate（colors）：

histogram ＝ cv2．calcHist（［image］，［count］，None，［256］，［0，256］）

plt．plot（histogram，color ＝ color， label＝label［count］＋str（＂ Pixels＂））

for循環(huán)中的代碼行如下所示：

histogram ＝ cv2．calcHist（［image］，［count］，None，［256］，［0，256］）

我們將使用 OpenCV 包中的 calcHist（） 方法，該方法將獲得像素強(qiáng)度的直方圖，正如我們在之前的文章中所了解的那樣。我們傳入以下參數(shù)：

為了繪制圖形，我們使用 MatPlotLib 包提供的 plot（） 方法，如下所示：

plt．plot（histogram， color＝color， label＝label［count］＋str（＂ Pixels＂））

我們傳入要繪制的數(shù)據(jù)，然后是適當(dāng)?shù)念伾?。為圖指定一個(gè)標(biāo)簽，并根據(jù)for循環(huán)迭代索引元組中的相應(yīng)標(biāo)簽。我們將“像素”附加到標(biāo)簽名稱中，以使查看者清楚地看到完成的圖形。

在將圖表顯示給最終用戶之前，我們在圖表中添加了一些元素，例如：

標(biāo)題。

Y 軸的標(biāo)簽。

X 軸的標(biāo)簽。

一個(gè)圖例。

為了結(jié)束處理，我們使用 MatPlotLib 包提供的 show（） 方法在屏幕上顯示視覺效果。

plt．title（＂Histogram Showing Number Of Pixels Belonging To Respective Pixel Intensity＂， color＝＂crimson＂）
plt．ylabel（＂Number Of Pixels＂， color＝＂crimson＂）
plt．xlabel（＂Pixel Intensity＂， color＝＂crimson＂）
plt．legend（numpoints＝1， loc＝＂best＂）
plt．show（）

最終的 BGR 像素強(qiáng)度線圖將如下所示：

上面的可視化顯示并準(zhǔn)確地告訴我們像素在原始彩色圖像中是如何分布的。構(gòu)成我們圖像的 600 萬＋ 像素的位置可以概括在上面的線圖中。

我們的大部分像素都位于圖像的左側(cè)，從圖中可以看出，圖像的中間到右側(cè)是藍(lán)色的，如藍(lán)色像素強(qiáng)度線所示。藍(lán)色像素強(qiáng)度線在這些區(qū)域中占主導(dǎo)地位 － 如果人們查看圖像，是這樣的：

請注意完整圖像如何適合我的計(jì)算機(jī)屏幕 － 這是因?yàn)槲艺{(diào)整了它的大小。

一個(gè)非常有趣的事實(shí)是，雖然我已經(jīng)調(diào)整了圖像的大小，但如果我要在調(diào)整大小的圖像上創(chuàng)建一個(gè)像素強(qiáng)度圖，那么與原始圖像相比，BGR 圖的梯度并沒有任何不同——它只是縮小了大小或“規(guī)模”。

結(jié)論

在本文中，我們研究了：

· 在 Python 編程語言中使用 OpenCV 理解彩色圖像

· BGR 顏色通道

· 使用 Python 中的 MatPlotLib 包將 BGR 像素映射到 BGR 像素強(qiáng)度線圖