OpenCV-Python(22)：直方图的计算绘制与分析

目标

• 了解直方图的原理及应用
• 使用OpenCV 或Numpy 函数计算直方图
• 使用Opencv 或者Matplotlib 函数绘制直方图
• 学习函数cv2.calcHist()、np.histogram()等

原理及应用

        直方图是一种统计图形，是对图像的另一种解释，用于表示图像中各个像素值的频次分布。直方图的x 轴是灰度值（0 到255)，y 轴是图片中具有同一个灰度值的点的数目。通过直方图你可以对整幅图像的灰度分布、对比度、亮度等有一个整体的了解。在计算机视觉中，直方图是一种常用的图像特征描述方法，可以用于图像处理、图像分割、图像匹配等应用，几乎所有的图像处理软件提供了直方图分析功能。

        在图像处理中，直方图可以用于对图像进行增强、对比度调整、色彩均衡等操作。通过分析图像的直方图，可以了解图像的亮度分布情况，进而进行亮度调整，使图像更加清晰、明亮或暗淡。

        在图像分割中，直方图可以用于选择合适的阈值进行图像分割。通过分析图像的直方图，可以找到合适的阈值，将图像分成不同的区域，达到目标检测和图像分割的目的。

        在图像匹配中，直方图可以用于计算图像之间的相似度。通过比较两幅图像的直方图，可以得到它们的相似程度，从而实现图像的匹配和检索。

        我们来分析上面幅图片和它的直方图(要记住：直方图是根据灰度图像绘制的，而不是彩色图像)。直方图的左边区域像是暗一点的像素数量，右侧显示了亮一点的像素的数量。从这幅图上你可以看到灰暗的区域比亮的区域大，而处于中间部分的像素点很少。 

参考以下连接获取更多相关信息：https://www.cambridgeincolour.com/tutorials/histograms1.htm

统计直方图 

        现在我们知道什么是直方图了，那么我们应该怎样获得一副图像的直方图呢？OpenCV 和Numpy 有内置函数做这件事。在使用这些函数之前我们有必要了解一下直方图相关的术语。

• BINS

        上面的直方图显示了每个像素灰度值对应的像素数目。如果像素值为0到255，你就需要256 个数来显示上面的直方图。但是，如果你不需要知道每一个像素值的像素点数目，而只希望知道两个像素值之间的像素点数目怎么办呢？举例来说，我们想知道像素值在0 到15 之间的像素点的数目，接着是16 到31,....240 到255。我们只需要16 个值来绘制直方图即可。

        那么到底要怎么做呢？你只需要把原来的256 个值等分成16 小组，取每组的总和。而这里的每一个小组就就成为BIN。第一个例子中有256 个BIN，第二个例子中有16 个BIN。在OpenCV 的文档中用histSize 表示BINS。

• DIMS

        表示我们收集数据的参数数目。在本例中，我们对收集到的数据只考虑一件事：灰度值。所以这里就是1。

• RANGE

        就是要统的灰度值范围，一般来说为[0-256]，也就是所有的灰度值。

cv2.calcHist()函数是OpenCV中用于计算图像直方图的函数。函数原型为：

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

参数解释：

• images：输入图像(图像格式为uint8 或float32)。它应该是一个包含图像的列表，每个图像都是一个NumPy数组。
• channels：指定要计算直方图的通道。它是以0为基础的索引，例如，对于灰度图像，它的值为[0]，对于彩色图像，可以传递[0]，[1]或[2]来计算蓝色、绿色或红色通道的直方图。
• mask：眼膜图像，可选参数，用于指定要计算直方图的区域。如果不需要，则传递None。。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像并使用它。
• histSize：指定直方图的大小。它表示直方图中有多少个BIN（柱子），即分成多少个区间,应该用中括号括起来，例如[256]
• ranges：指定像素值的范围。一般情况下，它的值为[0, 256]，表示像素值的范围为0到255。

返回值：

• hist：计算的直方图。它是一个一维数组，表示每个bin的频次。

我们从一副简单图像开始吧，示例代码：

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

# 读取图像
image = cv2.imread('image.jpg')

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 计算直方图，别忘了参数中的中括号，只有mask 没有中括号
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])

# 绘制直方图
plt.plot(hist)
plt.show()

        上述代码中，首先使用cv2.imread()函数读取图像，然后使用cv2.cvtColor()函数将图像转换为灰度图像。接着，调用cv2.calcHist()函数计算灰度图像的直方图，其中channels参数为[0]表示只计算灰度通道的直方图，mask参数为None表示计算整个图像的直方图，histSize参数为[256]表示直方图分成256个bin，ranges参数为[0, 256]表示像素值的范围为0到255。最后，使用matplotlib库中的plt.plot()函数绘制直方图。

使用Numpy 中的函数np.histogram() 也可以帮我们统计直方图。你也可以尝试以下代码：

#img.ravel() 将图像转换成一维数组，这里没有中括号。
hist,bins = np.histogram(img.ravel(),256,[0,256])

hist 与上面计算的一样。但是这里的bins 是257，因为Numpy 计算bins 的方式为：0-0.99,1-1.99,2-2.99 等。所以最后一个范围是255-255.99。为了显示它，所以在bins 的结尾加上了256。但是我们不需要256，到255就够了。 

绘制直方图

有两种方法来绘制直方图：

• 1. Short Way（简单方法）：使用Matplotlib 中的绘图函数。
• 2. Long Way（复杂方法）：使用OpenCV 绘图函数

Matplotlib 中有直方图绘制函数matplotlib.pyplot.hist()它可以直接统计并绘制直方图。你应该使用函数calcHist() 或np.histogram()统计直方图。代码如下：

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()

或者使用如下的方式：

mport cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 计算灰度直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])

# 绘制直方图
plt.figure()
plt.title('Grayscale Histogram')
plt.xlabel('Bins')
plt.ylabel('# of Pixels')
plt.plot(hist)
plt.xlim([0, 256])
plt.show()

你会得到如下的图：

或者你可以只使用matplotlib 的绘图功能，这在同时绘制多通道(BGR)的直方图很有用。但是你要先告诉绘图函数你的直方图数据在哪。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg')
color = ('b','g','r')
# 对一个列表或数组既遍历索引又遍历历元素时
# 使用内置enumerrate 函数会有更加直接
#enumerate 会将数组或列表组成一个索引序列。
# 使我们再获取索引和索引内容的时候更加方便
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()

从上面的直方图你可以推断出蓝色曲线右侧的最多，很明显那些就是天空。 使用OpenCV 自带函数绘制直方图比较麻烦，可以单独研究。 

使用掩模绘制直方图

        要统计图像某个局部区域的直方图只需要构建一副掩模图像。将要统计的部分设置成白色，其余部分为黑色就构成了一副掩模图像。然后把这个掩模图像传给函数就可以了。

img = cv2.imread('home.jpg',0)
# create a 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
# Check third argument for mask
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()

结果如下：其中蓝线是整幅图像的直方图，绿线是使用掩模之后的直方图。