4.9.1 直方图：查找，绘制，分析

优质

小牛编辑

129浏览

2023-12-01

目标

使用 OpenCV 和 Numpy 函数查找直方图
绘制直方图，使用 OpenCV 和 Matplotlib 函数
你会学到这些函数：cv2.calcHist()，np.histogram() 等

理论基础

什么是直方图？您可以将直方图视为一个图形，它将会为您提供有关图像强度分布的大体情况。这是一个在X轴上具有像素值（一般来说是从0到255，但并非总是这样）的图形，并且在Y轴上具有相应的像素数量。

直方图只是理解图像的另一种方式。通过查看图像的直方图，您可以直观了解该图像的对比度，亮度，强度分布等。目前几乎所有的图像处理工具都提供了直方图上功能。

你可以看到图像和直方图。（请记住，这个直方图是为灰度图像绘制的，而不是彩色图像）。直方图的左侧区域显示图像中较暗像素的数量，右侧区域显示较亮像素的数量。从直方图中，您可以看到黑色区域比明亮区域多，中间色调（中等范围内的像素值，例如127左右）的数量非常少。

查找直方图

现在我们心中有直方图的概念了，我们可以来看看如何找到它了。 OpenCV和Numpy都有内置的函数。在使用这些函数之前，我们需要了解一些与直方图有关的术语。

BINS：上面的直方图显示了每个像素值的像素数量，即从0到255。也就是说，您需要256个值来显示上述直方图。但是想一想，如果你不需要分别找出所有像素值的像素数量，而是需要找到每个像素值的区间中的像素数量怎么办？举例来说，您需要找到位于0到15之间，然后是16到31，...，240到255之间的像素数目。

您将只需要16个值来表示直方图。这就是OpenCV教程中关于直方图的例子。

所以你所做的只是将整个直方图拆分为16个子部分，每个子部分的值是其中所有像素数的总和。这个子部分被称为“面元（BIN）”。在第一种情况下，面元的数量是256（每种亮度的像素一个），而在第二种情况下，只有16个。在OpenCV文档中，面元数量由术语histSize表示。

DIMS：这是我们收集数据的参数数量。在这种情况下，只收集关于一个东西的数据，即强度值的数据。所以这里是1。

RANGE：这是您要测量的强度值的范围。通常，它是[0,256]，即所有强度值。

OpenCV 中的直方图计算

所以现在我们使用 cv2.calcHist() 函数来查找直方图。让我们熟悉这个函数及其参数：

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

images：它是类型为uint8或float32的源图像。应该将其放在方括号传入，即[img]。
channels：它也应该放在方括号内。这是我们计算直方图的通道索引。例如，如果输入是灰度图像，则其值为[0]。对于彩色图像，可以通过[0]，[1]或[2]分别计算蓝色，绿色或红色通道的直方图。
mask：mask图片。要查找完整图像的直方图，可以传入None。但是，如果你想找到特定区域的图像直方图，你必须创建一个mask图像，并将其作为传入。（我稍后会举例说明。）
histSize：这代表我们的面元数量。需放入方括号给出。对于全部像素值，我们传入[256]。
ranges：这是我们的RANGE。通常是[0,256]。

那么让我们从一个示例图像开始。只需以灰度模式加载图像，并找到完整的图像直方图。

img = cv2.imread('home.jpg',0)
hist = cv2.calcHist([img],[0],None,[256],[0,256])

hist 是一个 256x1 数组，每个值对应于该图像中具有其对应像素值的像素的数量。

Numpy 中的直方图计算

Numpy 也为你提供了一个函数np.histogram()。所以，替代calcHist()函数，你可以尝试使用下面这行代码：

hist,bins = np.histogram(img.ravel(),256,[0,256])

hist 与我们之前计算的相同。但是bins将会有257个元素，因为Numpy计算的bins为0-0.99,1-1.99,2-2.99等，所以最后的范围是255-255.99。为了表示这个范围，他们在bin结尾加上了256。但是我们不需要256。到255就足够了。

numpy 有另外一个函数，np.bincount()，它比np.histogram()要快得多（10倍左右）。所以对于一维直方图，你可以最好尝试一下它。不要忘记在np.bincount中设置minlength = 256。例如:

 hist = np.bincount(img.ravel(),minlength=256)

OpenCV 函数比 np.histogram()要快（大约40X）。所以应该坚持使用OpenCV函数。

现在我们应该绘制直方图了，但是应该怎么做呢？

绘制直方图

有两种方法来做到这一点，

捷径：使用 Matplotlib 绘图功能
不那么方便的方法：使用 OpenCV 绘图功能

使用 Matplotlib

Matplotlib 带有一个直方图绘图函数：matplotlib.pyplot.hist()

它直接找到直方图并绘制它。您不需要使用 calcHist() 或 np.histogram() 函数找到直方图。请参阅下面的代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg',0)
plt.hist(img.ravel(),256,[0,256]); plt.show()

或者你可以使用 matplotlib 的普通 plot，这对于 BGR 图像来说比较好用。为此，您需要首先查找直方图数据。尝试下面的代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('home.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,256])
plt.show()

你可以从上面的图中看出，蓝色值在图像中有一些高的区域（显然这应该是由于天空）

使用 OpenCV

您可以将直方图的值与其面元值一起调整为 (x,y) 坐标，以便您可以使用 cv2.line() 或 cv2.polyline() 函数绘制直方图以生成与上面相同的图像。 OpenCV-Python 的官方示例已经展示了这一点。检查 samples/python /hist.py 中的代码。

应用 mask

我们使用 cv2.calcHist() 来查找完整图像的直方图。如果你想找到一个图像的某些区域的直方图呢？只需在要查找直方图的区域创建一个白色的 mask 图像，否则就是黑色。然后传入这个 mask。

img = cv2.imread('home.jpg',0)

# 创建一个mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv2.bitwise_and(img,img,mask = mask)

# Calculate histogram with mask and without mask
# 计算出直方图，一个用mask，另一个不用
hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask,'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0,256])

plt.show()

在直方图中，蓝线显示完整图像的直方图，而绿线显示 mask 出的区域的直方图。