本篇文章主要介绍了python OpenCV学习笔记之绘制直方图的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
官方文档 – https://docs.opencv.org/3.4.0/d1/db7/tutorial_py_histogram_begins.html
直方图会让你对图像的强度分布有一个全面的认识。它是一个在x轴上带有像素值（从0到255，但不总是），在y轴上的图像中对应的像素数量的图。
这只是理解图像的另一种方式。通过观察图像的直方图，你可以直观地看到图像的对比度、亮度、强度分布等。现在几乎所有的图像处理工具都提供了直方图的特性。下面是剑桥彩色网站的图片，建议去访问这个网站，了解更多细节。
你可以看到图像和它的直方图。（这个直方图是用灰度图像绘制的，而不是彩色图像）。直方图的左边部分显示了图像中较暗像素的数量，右边区域显示了更明亮的像素。从直方图中可以看到，深色区域的像素数量比亮色区域更多，而中间色调的数量(中值大约在127左右)则少得多。
直方图
现在我们已经知道了什么是直方图，我们可以看看如何找到它。OpenCV和Numpy都有内置的功能。在使用这些函数之前，我们需要了解一些与直方图相关的术语。
BINS：上面的直方图显示了每个像素值的像素数，从0到255。您需要256个值来显示以上的直方图。但是，考虑一下，如果您不需要单独查找所有像素值的像素数量，而是在一个像素值区间内的像素数量，该怎么办？例如，你需要找到介于0到15之间的像素数，然后是16到31……240到255。您只需要16个值来表示这个直方图。OpenCV Tutorials on histograms中展示了这个例子。
所以你要做的就是把整个直方图分成16个子部分，每个子部分的值是所有像素数的和。每个子部分都被称为“BIN”。在第一种情况下，BINS的数量是256(每个像素一个)，而在第二种情况下，它只有16个。在OpenCV文档中，用术语 histSize 表示 BINS。
DIMS：它是我们收集数据的参数的个数。在这种情况下，我们收集的数据只有一件事，强度值。所以这里是1。
RANGE：它是你想测量的强度值的范围。通常，它是 [ 0，256 ]，也就是所有的强度值。
OpenCV中直方图的计算
现在我们使用cv.calcHist()函数来找到直方图。让我们熟悉一下这个函数及其参数：cv.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])
images：它是uint8类型或float32的源图像。它应该用方括号括起来，也就是”[img]”。
channels：它也用方括号括起来。它是我们计算直方图的信道的索引。例如，如果输入是灰度图像，它的值是0。对于颜色图像，您可以通过0、1或2来分别计算蓝色、绿色或红色通道的直方图。
mask：遮罩图。为了找到完整图像的直方图，它被指定为“None”。但如果你想找到图像的特定区域的直方图，你必须为它创建一个遮罩图，并将其作为遮罩。
histSize：这代表了我们的BINS数。需要用方括号来表示。在整个范围内，我们通过了256。
ranges：强度值范围，通常是 [ 0，256 ]
让我们从一个样本图像开始。只需在灰度模式下加载图像并找到其完整的直方图。
|
1
2
|
img = cv.imread('home.jpg', 0)
hist = cv.calcHist([img], [0], None, [256], [0,256])
|
hist是一个256x1阵列，每个值对应于该图像中的像素值及其对应的像素值。
Numpy中直方图的计算
Numpy中提供了np.histogram()方法
|
1
|
hist, bins = np.histogram(img.ravel(), 356, [0,256])
|
hist和之前计算的一样。但是bins有257个元素，因为Numpy计算bins是以0-0.99,1-1.99等，所以最后一个是255-255.99。为了表示这一点，他们还在bins的末端添加了256。但我们不需要256。到255就足够了。
Numpy还有另一个函数，np.bincount()，比np.histograme()要快得多(大约10X)。对于一维直方图，你可以试一下。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()快（大约40X）。所以坚持用OpenCV函数。
绘制直方图
1、使用Matplotlib
Matplotlib有一个绘制直方图的函数：matplotlib.pyplot.hist()
它直接找到了直方图并绘制了它。您不需要使用calcHist()或np.histogram()函数来找到直方图。看下面的代码：
|
1
2
3
4
5
6
7
|
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('home.jpg', 0)
plt.hist(img.ravel(), 256, [0,256])
plt.show()
|
或者你可以用正常的matplotlib，这对BGR的情节很有帮助。为此，您需要首先找到直方图数据。试试下面的代码：
|
1
2
3
4
5
6
7
8
9
10
11
|
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = 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()
|
你可以从上面的图中扣除，蓝色在图像中有一些高值区域(很明显，它应该是由天空引起的)
2、使用OpenCV
这里，你可以调整直方图的值和它的bin值，让它看起来像x，y坐标，这样你就可以用cv.line()或cv.polyline()函数来绘制它，从而生成与上面相同的图像。这已经是OpenCV-Python2官方的样本了。检查sampl/python/hist.py的代码。
应用遮罩
我们用cv.calcHist()函数来找一张完整的图片的直方图。但是我们只要图片的一部分的直方图呢？在你想要找到的区域中，创建一个带有白色的遮罩图像。然后把它作为遮罩。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
img = cv.imread('home.jpg', 0)
# create a mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv.bitwise_and(img, img, mask=mask)
#Calculate histogram with mask and without mask
Check third argument for mask
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()
|
蓝线表示完整图片的直方图
绿线表示遮罩之后的直方图
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：http://blog.csdn.net/js_xh/article/details/79262886