RGB通道密度直方图计算、绘制及图像归一化与小波分解技术问询

1. 如何计算图像各RGB通道的密度直方图？ #

密度直方图是将直方图频率归一化后，使所有区间面积之和为1的统计分布。计算步骤如下：

• 读取图像并拆分为红、绿、蓝三个独立通道
• 对每个通道统计像素值在0-255区间的分布，同时开启密度归一化

示例代码：

import cv2
import numpy as np

# 读取图像并转成RGB格式（OpenCV默认读入为BGR）
img = cv2.imread("image.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
r, g, b = cv2.split(img_rgb)

# 计算每个通道的密度直方图，返回直方图数据和区间边界
r_hist, r_bins = np.histogram(r, bins=256, density=True)
g_hist, g_bins = np.histogram(g, bins=256, density=True)
b_hist, b_bins = np.histogram(b, bins=256, density=True)

2. 如何使用Matplotlib在单个图中绘制红、绿、蓝通道的归一化直方图，设置部分透明度并添加标签？ #

通过循环遍历三个通道，结合Matplotlib的hist函数即可实现。你提供的代码片段已涵盖核心逻辑，完整实现及代码翻译如下：

import matplotlib.pyplot as plt
import cv2

# 读取并转换为RGB图像
img = cv2.imread("image.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
channels = ["red", "green", "blue"]
channel_data = cv2.split(img_rgb)

plt.figure(figsize=(10, 6))
for color, data in zip(channels, channel_data):
    # 核心代码翻译：绘制数据直方图，设256个区间，开启密度归一化，透明度0.5，指定颜色，标签为颜色名首字母大写
    plt.hist(data.ravel(), bins=256, density=True, alpha=0.5, color=color, label=color.capitalize())

plt.title("RGB通道归一化密度直方图")
plt.xlabel("像素值")
plt.ylabel("密度")
plt.legend()
plt.show()

• data.ravel()将二维通道数据展平为一维数组，适配直方图输入要求
• density=True实现归一化，保证直方图总面积为1
• alpha=0.5设置透明度，方便查看通道直方图的重叠区域
• label=color.capitalize()自动生成规范的通道标签

3. 如何使用NumPy将图像的每个RGB通道独立归一化至[0, 255]范围？ #

对每个通道单独执行Min-Max归一化，公式为：归一化后值 = (原始值 - 通道最小值) / (通道最大值 - 通道最小值) * 255，最后转换为8位无符号整数类型。

示例代码：

import cv2
import numpy as np

img = cv2.imread("image.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
r, g, b = cv2.split(img_rgb)

# 定义单通道归一化函数
def normalize_channel(channel):
    min_val = np.min(channel)
    max_val = np.max(channel)
    # 处理通道所有值相同的特殊情况，避免除以0
    if max_val == min_val:
        return channel
    normalized = ((channel - min_val) / (max_val - min_val)) * 255
    return normalized.astype(np.uint8)

# 对三个通道分别归一化
r_norm = normalize_channel(r)
g_norm = normalize_channel(g)
b_norm = normalize_channel(b)

# 合并归一化后的通道为RGB图像
img_norm = cv2.merge([r_norm, g_norm, b_norm])

4. 从归一化后的RGB图像转换为灰度图，进行2级Haar小波分解，对二级近似系数进行阈值处理，并统计低于指定阈值的系数数量。 #

使用pywavelets库实现小波分解，步骤如下：

import cv2
import numpy as np
import pywt

# 复用问题3的代码，读取并归一化RGB图像
img = cv2.imread("image.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
r, g, b = cv2.split(img_rgb)

def normalize_channel(channel):
    min_val = np.min(channel)
    max_val = np.max(channel)
    if max_val == min_val:
        return channel
    normalized = ((channel - min_val) / (max_val - min_val)) * 255
    return normalized.astype(np.uint8)

r_norm = normalize_channel(r)
g_norm = normalize_channel(g)
b_norm = normalize_channel(b)
img_norm = cv2.merge([r_norm, g_norm, b_norm])

# 转换为灰度图
gray_img = cv2.cvtColor(img_norm, cv2.COLOR_RGB2GRAY)

# 执行2级Haar小波分解
coeffs = pywt.wavedec2(gray_img, wavelet="haar", level=2)
# coeffs结构：[二级近似系数cA2, (二级细节系数cH2,cV2,cD2), (一级细节系数cH1,cV1,cD1)]
cA2 = coeffs[0]

# 指定阈值并统计低于阈值的系数数量
threshold = 50
count_below_threshold = np.sum(cA2 < threshold)

print(f"二级近似系数中低于阈值{threshold}的数量：{count_below_threshold}")

• pywt.wavedec2返回的系数列表中，第一个元素即为最高级（二级）的近似系数
• np.sum(cA2 < threshold)直接统计满足条件的元素个数

内容的提问来源于stack exchange，提问作者Pashar