目標

學會

使用OpenCV和Numpy函數查找直方圖
使用OpenCV和Matplotlib函數繪製直方圖
你將看到以下函數：cv.calcHist()，np.histogram()等。

理論

那麼直方圖是什麼？您可以將直方圖視為圖形或繪圖，從而可以總體瞭解圖像的強度分佈。它是在X軸上具有像素值（不總是從0到255的範圍），在Y軸上具有圖像中相應像素數的圖。

這只是理解圖像的另一種方式。通過查看圖像的直方圖，您可以直觀地瞭解該圖像的對比度，亮度，強度分佈等。當今幾乎所有圖像處理工具都提供直方圖功能。以下是劍橋彩色網站的圖片，我建議您訪問該網站以獲取更多詳細信息。

您可以看到圖像及其直方圖。（請記住，此直方圖是針對灰度圖像而非彩色圖像繪製的）。直方圖的左側區域顯示圖像中較暗像素的數量，而右側區域則顯示明亮像素的數量。從直方圖中，您可以看到暗區域多於亮區域，而中間調的數量（中間值的像素值，例如127附近）則非常少。

尋找直方圖

現在我們有了一個關於直方圖的想法，我們可以研究如何找到它。OpenCV和Numpy都為此內置了功能。在使用這些功能之前，我們需要了解一些與直方圖有關的術語。

BINS：上面的直方圖顯示每個像素值的像素數，即從0到255。即，您需要256個值來顯示上面的直方圖。但是考慮一下，如果您不需要分別找到所有像素值的像素數，而是找到像素值間隔中的像素數怎麼辦？例如，您需要找到介於0到15之間的像素數，然後找到16到31之間，...，240到255之間的像素數。只需要16個值即可表示直方圖。這就是在OpenCV教程中有關直方圖的示例中顯示的內容。

因此，您要做的就是將整個直方圖分成16個子部分，每個子部分的值就是其中所有像素數的總和。每個子部分都稱為“ BIN”。在第一種情況下，bin的數量為256個（每個像素一個），而在第二種情況下，bin的數量僅為16個。BINS由OpenCV文檔中的

histSize術語表示。

DIMS：這是我們為其收集數據的參數的數量。在這種情況下，我們僅收集關於強度值的一件事的數據。所以這裡是1。

RANGE：這是您要測量的強度值的範圍。通常，它是[0,256]，即所有強度值。

1. OpenCV中的直方圖計算

因此，現在我們使用cv.calcHist()函數查找直方圖。讓我們熟悉一下該函數及其參數：

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

images：它是uint8或float32類型的源圖像。它應該放在方括號中，即“ [img]”。
channels：也以方括號給出。它是我們計算直方圖的通道的索引。例如，如果輸入為灰度圖像，則其值為[0]。對於彩色圖像，您可以傳遞[0]，[1]或[2]分別計算藍色，綠色或紅色通道的直方圖。
mask：圖像掩碼。為了找到完整圖像的直方圖，將其指定為“無”。但是，如果要查找圖像特定區域的直方圖，則必須為此創建一個掩碼圖像並將其作為掩碼。（我將在後面顯示一個示例。）
histSize：這表示我們的BIN計數。需要放在方括號中。對於全尺寸，我們通過[256]。
ranges：這是我們的RANGE。通常為[0,256]。

因此，讓我們從示例圖像開始。只需以灰度模式加載圖像並找到其完整直方圖即可。

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

hist是256x1的數組，每個值對應於該圖像中具有相應像素值的像素數。

2. numpy的直方圖計算

Numpy還為您提供了一個函數np.histogram()。因此，除了calcHist()函數外，您可以嘗試下面的代碼：

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

hist與我們之前計算的相同。但是bin將具有257個元素，因為Numpy計算出bin的範圍為0-0.99、1-1.99、2-2.99等。因此最終範圍為255-255.99。為了表示這一點，他們還在最後添加了256。但是我們不需要256。最多255就足夠了。

另外
Numpy還有另一個函數np.bincount()，它比np.histogram()快10倍左右。因此，對於一維直方圖，您可以更好地嘗試一下。不要忘記在np.bincount中設置minlength = 256。例如，hist = np.bincount(img.ravel()，minlength = 256)

注意
OpenCV函數比np.histogram()快大約40倍。因此，儘可能使用OpenCV函數。

現在我們應該繪製直方圖，但是怎麼繪製？

繪製直方圖

有兩種方法，

簡短的方法：使用Matplotlib繪圖功能
稍長的方法：使用OpenCV繪圖功能

1. 使用Matplotlib

Matplotlib帶有直方圖繪圖功能：matplotlib.pyplot.hist()它直接找到直方圖並將其繪製。您無需使用calcHist()或np.histogram()函數來查找直方圖。請參見下面的代碼：

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

你將得到如下的結果：

或者，您可以使用matplotlib的法線圖，這對於BGR圖是很好的。為此，您需要首先找到直方圖數據。試試下面的代碼：

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('home.jpg')color = ('b','g','r')for i,col in enumerate(color):    histr = cv.calcHist([img],[i],None,[256],[0,256])    plt.plot(histr,color = col)    plt.xlim([0,256])plt.show()

結果：

您可以從上圖中得出，藍色在圖像中具有一些高值域（顯然這應該是由於天空）

2. 使用 OpenCV

好吧，在這裡您可以調整直方圖的值及其bin值，使其看起來像x，y座標，以便您可以使用cv.line()或cv.polyline()函數繪製它以生成與上述相同的圖像。OpenCV-Python2官方示例已經提供了此功能。檢查示例/python/hist.py中的代碼。

掩碼的應用

我們使用了cv.calcHist()來查找整個圖像的直方圖。如果你想找到圖像某些區域的直方圖呢?只需創建一個掩碼圖像，在你要找到直方圖為白色，否則黑色。然後把這個作為掩碼傳遞。

img = cv.imread('home.jpg',0)# create a maskmask = np.zeros(img.shape[:2], np.uint8)mask[100:300, 100:400] = 255masked_img = cv.bitwise_and(img,img,mask = mask)# 計算掩碼區域和非掩碼區域的直方圖# 檢查作為掩碼的第三個參數hist_full = cv.calcHist([img],[0],None,[256],[0,256])hist_mask = cv.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()

查看結果。在直方圖中，藍線表示完整圖像的直方圖，綠線表示掩碼區域的直方圖。