opencv(4.5.3)-python(二十三)--直方图的寻找、绘制、分析

翻译及二次校对：cvtutorials.com

目标

学习:

• • 使用OpenCV和Numpy函数寻找直方图
• • 使用OpenCV和Matplotlib函数绘制直方图
• • 你将看到这些函数：cv.calcHist(), np.histogram()等。

理论

那么什么是直方图？你可以把直方图看作是一种图，它可以让你对图像的灰度分布有一个整体的了解。它是一个在X轴上有像素值（范围从0到255，不一定），在Y轴上有图像中相应像素数的图。

它只是理解图像的另一种方式。通过观察图像的直方图，你可以获得关于该图像的对比度、亮度、灰度分布等的直觉。今天，几乎所有的图像处理工具都提供直方图的功能。下面是一张来自Cambridge in Color网站的图片，我建议你访问该网站了解更多细节。

你可以看到这个图像和它的直方图(这个直方图是为灰度图像绘制的，不是彩色图像）。直方图的左边区域显示图像中较暗像素的数量，右边区域显示较亮像素的数量。从直方图中，你可以看到暗色区域比亮色区域多，中间色调（中间范围的像素值，例如127左右）的数量非常少。

寻找直方图

现在我们对什么是直方图有了一个概念，我们可以研究如何找到它。OpenCV和Numpy都有内置的函数来完成这个任务。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，即从0到255，即你需要256个值来显示上述直方图。但请考虑，如果你不需要单独找到所有像素值的像素数，而是需要找到像素值的一个区间的像素数，怎么办？例如，你需要找到0到15之间的像素数，然后是16到31，...，240到255。你只需要16个值来表示直方图。

所以你要做的就是简单地把整个直方图分成16个子部分，每个子部分的值是其中所有像素数的总和。这个子部分被称为 "BIN"。在第一种情况下，BIN的数量是256（每个像素一个），而在第二种情况下，它只有16。在OpenCV的文档中，BINS是由术语histSize表示的。

DIMS : 它是我们收集数据的参数数量。在这种情况下，我们只收集一种数据，即灰度值。所以这里是1。

RANGE : 它是你想测量的灰度值的范围。通常情况下，它是[0,256]，即所有灰度值。

1. 1. OpenCV中的直方图计算

所以现在我们使用cv.calcHist()函数来寻找直方图。让我们熟悉一下这个函数和它的参数。

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

• • images : 它是类型为uint8或float32的源图像，应在方括号内给出，即"[img]"。
• • channels : 它也是在方括号中给出的。它是我们计算直方图的通道的索引。例如，如果输入的是灰度图像，它的值是[0]。对于彩色图像，你可以通过[0]、[1]或[2]来分别计算蓝色、绿色或红色通道的直方图。
• • mask : 掩膜图像。要查找完整图像的直方图，它被指定为 "None"。但如果你想找到图像特定区域的直方图，你必须为其创建一个掩膜图像并将其作为掩膜(我将在后面展示一个例子）
• • histSize：这代表我们的BIN计数。需要在方括号中给出。对于满刻度，我们传递256。
• • ranges : 这是我们的RANGE。通常情况下，它是[0,256]。

那么，让我们从一个图像开始。简单地在灰度模式下加载一个图像，然后找到它的直方图。

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

hist是一个256x1的数组，每个值都对应于该图像中的像素数和其对应的像素值。

1. 1. Numpy中的直方图计算

Numpy还为你提供了一个函数，np.histogram()。所以你可以用下面这行来代替calcHist()函数。

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

hist与我们之前计算的一样。但是bins会有257个元素，因为Numpy计算的bins是0-0.99，1-1.99，2-2.99等等。所以最终的范围将是255-255.99。为了表示这一点，他们还在bins的末尾添加了256。但我们不需要那256。到255就足够了。

注意:Numpy还有一个函数，np.bincount()，它比np.histogram()快得多（大约10倍）。所以对于一维直方图，你最好试试这个。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40倍）。所以请使用OpenCV函数。

现在我们应该绘制直方图，但如何绘制呢？

绘制直方图

有两种方法可以做到这一点。

• • 方法1：使用Matplotlib的绘图函数
• • 方法2：使用OpenCV绘图函数

1. 1. 使用Matplotlib

Matplotlib有一个直方图绘制函数：matplotlib.pyplot.hist()

它直接找到直方图并绘制出来。你不需要使用calcHist()或np.histogram()函数来寻找直方图。请看下面的代码。

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()

你会得到一个如下的图。

或者你可以使用matplotlib的正常绘图模式，这对BGR图很有帮助。为此，你需要先找到直方图的数据。试试下面的代码。

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()

结果:

你可以从上图中推断出，蓝色在图像中有一些高值区域（显然应该是由于天空的原因）。

1. 1. 使用OpenCV

我们可以将直方图的值和它的bin值调整成x，y坐标的样子，这样你就可以用cv.line()或cv.polyline()函数来绘制它，生成与上面相同的图像。这在OpenCV-Python2官方样本中已经有了。请查看样本/python/hist.py中的代码。

掩膜的应用

我们用cv.calcHist()来寻找全图的直方图。如果你想找到图像中某些区域的直方图呢？只要在你想找直方图的区域创建一个白色的蒙版图像，其他区域设置为黑色。然后把它作为掩膜传给你。

img = cv.imread('home.jpg',0)
# 创建一个掩膜
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv.bitwise_and(img,img,mask = mask)
# 计算带掩膜和不带掩膜的直方图
# 检查第三个参数的掩膜
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, 'grey')
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()

请看结果。在直方图图中，蓝线显示的是完整图像的直方图，而绿线显示的是被遮蔽区域的直方图。

其他资源

• • 彩色剑桥