什么是直方图呢？通过直方图你可以对整幅图像的灰度分布有一个整体的了解。直方图的x 轴是灰度值（0 到255），y 轴是图片中具有同一个灰度值的点的数目。
直方图其实就是对图像的另一种解释。一下图为例，通过直方图我们可以对图像的对比度，亮度，灰度分布等有一个直观的认识。几乎所有的图像处理软件都提供了直方图分析功能。下图来自Cambridge in Color website，强烈推荐你到这个网站了解更多知识。
"图·1"
让我们来一起看看这幅图片和它的直方图吧。（要记住，直方图是根据灰度图像绘制的，而不是彩色图像）。直方图的左边区域像是了暗一点的像素数量，右侧显示了亮一点的像素的数量。从这幅图上你可以看到灰暗的区域比两的区域要大，而处于中间部分的像素点很少。
一、使用opencv计算直方图
方法：cv2.calcHist(images,channels,mask,histSize,ranges)
1. images: 原图像（图像格式为uint8 或float32）。当传入函数时应该
用中括号[] 括起来，例如：[img]。
2. channels: 同样需要用中括号括起来，它会告诉函数我们要统计那幅图
像的直方图。如果输入图像是灰度图，它的值就是[0]；如果是彩色图像
的话，传入的参数可以是[0]，[1]，[2] 它们分别对应着通道B，G，R。
3. mask: 掩模图像。要统计整幅图像的直方图就把它设为None。但是如
果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并
使用它。（后边有例子）
4. histSize:BIN 的数目。也应该用中括号括起来，例如：[256]。
5. ranges: 像素值范围，通常为[0，256]
BINS：上面的直方图显示了每个灰度值对应的像素数。如果像素值为0到255，你就需要256 个数来显示上面的直方图。但是，如果你不需要知道
每一个像素值的像素点数目的，而只希望知道两个像素值之间的像素点数目怎么办呢？举例来说，我们想知道像素值在0 到15 之间的像素点的数目，接着
是16 到31,….，240 到255。我们只需要16 个值来绘制直方图。OpenCV Tutorials on histograms中例子所演示的内容。
那到底怎么做呢？你只需要把原来的256 个值等分成16 小组，取每组的总和。而这里的每一个小组就被成为BIN。第一个例子中有256 个BIN，第二个例子中有16 个BIN。在OpenCV 的文档中用histSize 表示BINS。
DIMS：表示我们收集数据的参数数目。在本例中，我们对收集到的数据只考虑一件事：灰度值。所以这里就是1。RANGE：就是要统计的灰度值范围，一般来说为[0，256]，也就是说所有的灰度值
import numpy as np
import argparse
import cv2
from matplotlib import pyplot as plt
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required = True,help = "Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv2.imshow("Original",image)
hist = cv2.calcHist([image],[0],None,[256],[0,256])
plt.figure()
plt.title("Grayscale Histogram")
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
plt.plot(hist)
plt.xlim([0,256])
plt.show()
cv2.waitKey(0)
图·2
from __future__ import print_function
import numpy as np
import argparse
import cv2
from matplotlib import pyplot as plt
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required = True,help = "Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
chans = cv2.split(image)
colors = ("b","g","r")
plt.figure()
plt.title("Grayscale Histogram")
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
for (chan,color) in zip(chans,colors):
hist = cv2.calcHist([chan],[0],None,[256],[0,256])
plt.plot(hist,color = color)
plt.xlim([0,256])
plt.show()
cv2.waitKey(0)
图·3
from __future__ import print_function
import numpy as np
import argparse
import cv2
from matplotlib import pyplot as plt
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required = True,help = "Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
chans = cv2.split(image)
colors = ("b","g","r")
fig=plt.figure()
ax = fig.add_subplot(131)
hist= cv2.calcHist([chans[1],chans[0]],[0,1],None,[32,32],[0,256,0,256])
p = ax.imshow(hist,interpolation = "nearest")
ax.set_title("2D color Historgram for G and B")
plt.colorbar(p)
ax = fig.add_subplot(132)
hist= cv2.calcHist([chans[1],chans[2]],[0,1],None,[32,32],[0,256,0,256])
p = ax.imshow(hist,interpolation = "nearest")
ax.set_title("2D color Historgram for G and R")
plt.colorbar(p)
ax = fig.add_subplot(133)
hist= cv2.calcHist([chans[0],chans[2]],[0,1],None,[32,32],[0,256,0,256])
p = ax.imshow(hist,interpolation = "nearest")
ax.set_title("2D color Historgram for B and R")
plt.colorbar(p)
plt.show()
print("2D histogram shape:{},with {} values".format(hist.shape,hist.flatten().shape[0]))
为了同时在一个窗口中显示多个图像，我们使用函数plt.subplot()。你
可以通过查看Matplotlib 的文档获得更多详细信息
蓝色阴影表示低像素计数，而红色阴影表示大像素计数（即，2D图形中的峰值）
图·4
二、直方图均衡化 -histogram equalization
直方图均衡通过“拉伸”像素的分布来改善图像的对比度。
应用直方图均衡会将峰值拉向图像的角落，从而改善图像的全局对比度。直方图均衡适用于灰度图像
图·5
执行直方图均衡仅使用单个函数完成：cv2.equalizeHist（image）它接受一个单一的参数，灰度图像，我们要执行直方图均衡。
import numpy as np
import argparse
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required = True,help = "Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
eq = cv2.equalizeHist(image)
cv2.imshow("Histogram Equalization",np.vstack([image,eq]))
#hstack 横向堆叠图像 vstack纵向
cv2.waitKey(0)
三、使用掩模
from matplotlib import pyplot as plt
import numpy as np
import argparse
import cv2
def plot_histogram(image,title,mask=None):
chans = cv2.split(image)
colors = ("b","g","r")
plt.figure()
plt.title(title)
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
for (chan,color) in zip(chans,colors):
hist = cv2.calcHist([chan],[0],mask,[256],[0,256])
plt.plot(hist,color = color)
plt.xlim([0,256])
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required =True, help="Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
cv2.imshow("Original",image)
mask = np.zeros(image.shape[:2],dtype ="uint8")
(cx,cy) = (image.shape[1]//2,image.shape[0]//2)
cv2.rectangle(mask,(cx-250,cy-150),(cx+200 ,cy+150),255,-1)
cv2.imshow("Mask",mask)
masked = cv2.bitwise_and(image,image,mask=mask)
cv2.imshow("Applying the mask",masked)
plot_histogram(image,"Histogram for Masked Image",mask = mask)
plt.show()
图·6
人生最大的痛苦不是失败，而是没有经历自己想要经历的一切.
更多文章请关注我的博客：https://harveyyeung.github.io
网友评论