Histograma da imagem

Uma imagem normalmente é composta de um grande número de pixels; hoje em dia, celulares tiram fotografias com a resolução espacial que produz alguns milhões de pixels. Uma das caracterizações ou "assinaturas" mais eficientes de uma imagem é seu histograma.



In [75]:

    
import numpy as np
import matplotlib.image as mpimg
 
f = mpimg.imread('../data/cameraman.tif')  
print(f.min(), f.max())



In [76]:

    
%matplotlib inline
import matplotlib.pyplot as plt

plt.imshow(f, cmap = 'gray')
plt.colorbar()









    Out[76]:





<matplotlib.colorbar.Colorbar at 0x11ba3d588>



In [77]:

    
nbins = 20
h, bin_edges = np.histogram(f, nbins,(0,255))
print('h=\n',h)
print('bins=\n',bin_edges)









    



h=
 [10618  7040   918   839   797   586   652   536   455   574  1069  1634
  2569  3927  5319  8057 10160  6244  2263  1279]
bins=
 [   0.     12.75   25.5    38.25   51.     63.75   76.5    89.25  102.
  114.75  127.5   140.25  153.    165.75  178.5   191.25  204.    216.75
  229.5   242.25  255.  ]

O que temos no retorno da função np.histogram é a contagem do número de pixels com valores em uma determinada faixa. No exemplo acima, a imagem do cameramen possui 10618 pixels com valor entre 0 e 12,75. Podemos visualizar o histograma através da função plot do matplotlib.



In [78]:

    
plt.plot(h)









    Out[78]:





[<matplotlib.lines.Line2D at 0x11aa3ee48>]

Veja que a visualização acima não é muito adequada, já que o histograma não é uma função contínua. Uma forma melhor de visualizarmos o histograma é usando um gráfico de barras. E, no eixo das abscissas, queremos mostrar o valor do nível de cinza computado (bin center) e não os limites de cada faixa (bin edges), como o retornado pela função np.histogram.



In [79]:

    
w=255./nbins
bin_centers = bin_edges[1:]-(w/2)
plt.bar(bin_centers, h, width=w)
plt.title('Historama da imagem')









    Out[79]:





<matplotlib.text.Text at 0x11aaaf7b8>

Histograma x informação de localização

O histograma contém informações importantes da imagem e é bastante utilizado para diversos algoritmos de processamento, como por exemplo, segmentação por limiarização. Porém, ao computar a quantidade de pixels para cada valor de nível de cinza, o histograma não leva em consideração a localização dos pixels. Isso pode ser visto no exemplo abaixo, onde embaralhamos os pixels de uma imagem, e o histograma permanece o mesmo.



In [96]:

    
f = mpimg.imread('../data/cameraman.tif')  

fs = f.copy()
np.random.shuffle(fs) # embaralha os pixels da imagem os deixando em outra ordem

plt.figure()
plt.imshow(f, cmap = 'gray')
plt.colorbar()

plt.figure()
plt.imshow(fs, cmap = 'gray')
plt.colorbar()









    Out[96]:





<matplotlib.colorbar.Colorbar at 0x119db3b70>



In [97]:

    
h, bins = np.histogram(f)
plt.figure()
plt.plot(h)
plt.title('histograma imagem original')

hshuffle, binshuffle = np.histogram(fs)
plt.figure()
plt.plot(hshuffle)
plt.title('histograma imagem shuffle')









    Out[97]:





<matplotlib.text.Text at 0x11bf10208>



In [ ]: