Python+OpenCV：直方图(Histograms)

谁践踏了优雅 2022-12-21 06:10 190阅读 0赞

## Python+OpenCV：直方图(Histograms) ##

### 理论 ###

什么是直方图?您可以将直方图看作是一种图形或图表，它为您提供关于图像强度分布的总体概念。它是x轴为像素值(范围从0到255，不总是这样)，y轴为图像中相应像素个数的图形。

这只是理解图像的另一种方式。通过观察一幅图像的直方图，你可以对该图像的对比度、亮度、强度分布等有直观的认识。现在几乎所有的图像处理工具都提供了直方图的特性。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70][]

你可以看到图像和它的直方图。(记住，此直方图是绘制灰度图像，而不是彩色图像)。

直方图的左边区域表示图像中较暗像素的数量，右边区域表示较亮像素的数量。

从直方图中，你可以看到暗区比亮区多，而中间色调(像素值在中间，比如127左右)的数量非常少。

**获得直方图**

现在我们知道了直方图是什么，我们可以看看如何获得它。

OpenCV和Numpy都内置了这个功能。在使用这些函数之前，我们需要了解与直方图相关的一些术语。

**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，你需要256个值来显示上面的直方图。

但是考虑一下，如果您不需要分别查找所有像素值的像素数量，而是查找像素值区间内的像素数量，那会怎么样呢?例如，你需要找到介于0到15，然后16到31之间的像素数量，……， 240至255。

您将只需要16个值来表示直方图。这就是OpenCV教程中给出的关于直方图的例子。

所以你要做的就是简单地把整个直方图分成16个子部分，每个子部分的值就是其中所有像素计数的总和。

这每一个子部分称为“BIN”。在第一种情况下，BINS的数量为256(每个像素一个箱子)，而在第二种情况下，只有16个BINS。在OpenCV文档中，bin由histSize术语表示。

**DIMS**: 它是我们收集数据的参数的数量。在本例中，我们只收集关于一个东西的数据，即强度值。这里是1。

**RANGE**: 这是你想要测量的强度值的范围。通常，它是\[0,256\]，即所有强度值。

### **示例** ###

####################################################################################################
    # 图像直方图(Image Histograms)
    def lmc_cv_image_histograms():
        """
            函数功能: 图像直方图。
        """
    
        # 读取图像
        image = lmc_cv.imread('D:/99-Research/Python/Image/Rock.jpg')
    
        # 图像直方图(Image Histograms)
        x = range(256)
        hist1 = lmc_cv.calcHist([image], [0], None, [256], [0, 256])
        hist2, bins2 = np.histogram(image.ravel(), 256, [0, 256])
    
        # 创建窗口
        pyplot.figure('Image Display 1')
        titles = ['Original Image', 'Histogram in OpenCV', 'Histogram in Numpy']
        # 显示原始图像
        pyplot.subplot(1, 3, 1)
        pyplot.imshow(image, 'gray')
        pyplot.title(titles[0])
        pyplot.xticks([])
        pyplot.yticks([])
        # 显示直方图
        pyplot.subplot(1, 3, 2)
        pyplot.plot(x, hist1)
        pyplot.title(titles[1])
        # pyplot.xticks([])
        # pyplot.yticks([])
        pyplot.subplot(1, 3, 3)
        pyplot.plot(x, hist2)
        pyplot.title(titles[2])
        # pyplot.xticks([])
        # pyplot.yticks([])
        # pyplot.axis('on')
        # 显示窗口
        pyplot.show()
    
        # 显示彩色图像各个通道的直方图
        image = lmc_cv.imread('D:/99-Research/Python/Image/Lena.jpg')
        image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2RGB)
    
        # create a mask
        mask = np.zeros(image.shape[:2], np.uint8)
        mask[100:300, 100:400] = 255
        masked_image = lmc_cv.bitwise_and(image, image, mask=mask)
    
        color = ('r', 'g', 'b')
        pyplot.figure('Image Display 2')
        # 显示原始图像
        pyplot.subplot(2, 2, 1)
        pyplot.imshow(image, 'gray')
        pyplot.title(titles[0])
        pyplot.xticks([])
        pyplot.yticks([])
        # 显示原始图像直方图
        pyplot.subplot(2, 2, 2)
        for i, col in enumerate(color):
            histr = lmc_cv.calcHist([image], [i], None, [256], [0, 256])
            pyplot.plot(histr, color=col)
            pyplot.xlim([0, 256])
            pyplot.title('R/G/B Histogram')
        # 显示掩模图像
        pyplot.subplot(2, 2, 3)
        pyplot.imshow(masked_image, 'gray')
        pyplot.title('Mask Image')
        pyplot.xticks([])
        pyplot.yticks([])
        # 显示掩模图像直方图
        pyplot.subplot(2, 2, 4)
        for i, col in enumerate(color):
            histr = lmc_cv.calcHist([image], [i], mask, [256], [0, 256])
            pyplot.plot(histr, color=col)
            pyplot.xlim([0, 256])
            pyplot.title('Mask R/G/B Histogram')
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 2][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70]: /images/20221120/27ef6e9c25854ef69ed2dec82ece886e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1]: /images/20221120/3ccfa0dda0c444c78f0f8e3fcb2292c0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 2]: /images/20221120/0c4be3fb24884f3c87efeb25a2632074.png