### Python3 + OpenCV 使用灰度直方图判断图片亮度
在图像处理领域，通过分析图像的灰度直方图来判断图片的整体亮度是一种常见且有效的方法。这种方法可以帮助我们在大量图像数据集中筛选出特定亮度级别的图片，对于图像预处理、自动化图像分类等任务有着重要的应用价值。
#### 一、原理介绍
**灰度直方图**是一种表示图像灰度级分布情况的统计图表。它统计了图像中每个灰度级（0-255）出现的频率。通过观察灰度直方图，我们可以直观地了解到一幅图像的亮度特征。例如，如果大部分像素的灰度值都集中在较低的区间（比如0-30），那么这幅图像很可能是暗色调的；反之，如果大部分像素的灰度值分布在较高的区间，则图像更偏向于明亮。
#### 二、关键步骤
1. **图像灰度化**：首先将彩色图像转换为灰度图像，这是因为灰度图像是单通道的，更容易处理。
2. **计算灰度直方图**：使用OpenCV库中的`calcHist`函数计算灰度直方图。
3. **统计暗区像素比例**：遍历灰度直方图，统计灰度值低于一定阈值（例如40）的像素总数，并计算这些像素在所有像素中的占比。
4. **设定阈值**：根据实际需求设定一个阈值（例如0.75），当暗区像素占比超过这个阈值时，判定该图像为暗调图像。
5. **结果输出**：根据上述标准，筛选出暗调或亮调的图像并进行相应处理，如保存到指定文件夹。
#### 三、具体实现
下面是使用Python3和OpenCV实现上述功能的示例代码：
```python
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os
import sys
def func(img, pic_path, pic):
# 把图片转换为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 获取灰度图矩阵的行数和列数
r, c = gray_img.shape[:2]
dark_sum = 0 # 偏暗的像素初始化为0个
dark_prop = 0 # 偏暗像素所占比例初始化为0
pixels_sum = r * c # 整个弧度图的像素个数为r*c
# 遍历灰度图的所有像素
for row in gray_img:
for col in row:
if col < 40: # 人为设置的超参数, 表示0~39的灰度值为暗
dark_sum += 1
dark_prop = dark_sum / (pixels_sum)
print("dark_sum:", str(dark_sum))
print("pixels_sum:", str(pixels_sum))
print("dark_prop=dark_sum/pixels_sum:", str(dark_prop))
if dark_prop >= 0.75: # 人为设置的超参数: 表示若偏暗像素所占比例超过0.75, 则这张图被认为整体环境黑暗的图片
print(pic_path + " is dark!")
cv2.imwrite("../DarkPicDir/" + pic, img) # 把被认为黑暗的图片保存
else:
print(pic_path + " is bright!")
def hist(pic_path):
img = cv2.imread(pic_path, 0)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
plt.subplot(121)
plt.imshow(img, 'gray')
plt.xticks([])
plt.yticks([])
plt.title("Original")
plt.subplot(122)
plt.hist(img.ravel(), 256, [0, 256])
plt.show()
def read_all_pictures(pics_path):
if not os.path.exists(pics_path):
print("路径错误，路径不存在！")
return []
all_pics = []
pics = os.listdir(pics_path)
for pic in pics:
pic_path = os.path.join(pics_path, pic)
if os.path.isfile(pic_path):
all_pics.append(pic_path)
img = cv2.imread(pic_path)
func(img, pic_path, pic)
return all_pics
def create_dark_dir():
dark_dir_path = "../DarkPicDir"
is_exists = os.path.exists(dark_dir_path)
if not is_exists:
os.makedirs(dark_dir_path)
print("DarkPicDir is created successfully!")
return True
else:
return False
if __name__ == '__main__':
pics_path = sys.argv[1] # 获取所给图片目录
create_dark_dir()
all_pics = read_all_pictures(pics_path)
```
#### 四、总结
通过以上方法，我们可以有效地利用灰度直方图来判断图像的亮度，这对于自动化图像处理流程非常有用。此外，这种方法还可以进一步扩展，例如结合图像增强技术来改善暗调图像的质量，或者将其应用于视频流处理中，以实时调整视频的亮度。灰度直方图是一种强大的工具，能够帮助我们更好地理解和处理图像数据。
