这篇文章主要为大家展示了“Python+OpenCV图像处理之直方图统计的示例分析”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“Python+OpenCV图像处理之直方图统计的示例分析”这篇文章吧。
直方图就是对图像的另外一种解释，它描述了整幅图像的灰度分布。直方图的 x 轴代表灰度值（0~255），y 轴代表图片中同一种灰度值的像素点的数目，所以通过直方图我们可以对图像的亮度、灰度分布、对比度等有了一个直观的认识
BINS
前面说到，直方图中的 x 轴表示的是灰度值，一幅灰度图的灰度等级有 256 级，所以我们是否需要将每一个等级标注在一条轴上呢？或者如果我们需要的不是每一个灰度值的分布，而是一个范围内的灰度分布呢？所以我们将每一个需要的灰度值范围称为一个 BIN，即所有的灰度等级被分为几个小组，每一个小组是一个 BIN
DIMS
代表的是我们收集的图像的参数的数目，直方图我们如果只收集灰度值一个参数，那么该参数的值就是1
RANGE
代表统计的灰度值的范围，一般的范围是[0-255]
在计算机视觉系列的文章中第一件事就是读取图像信息：
"""
Author:XiaoMa
date:2021/10/24
"""
#调用需要的包
import cv2
import matplotlib.pyplot as plt
img0 = cv2.imread('E:\From Zhihu\For the desk\cvseven.jpeg')
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY) #转化为灰度图
h, w = img1.shape[:2]
print(h, w)
cv2.namedWindow("W0")
cv2.imshow("W0", img1)
cv2.waitKey(delay = 0)图像信息如下：
419 636
绘制直方图使用的函数如下：
hist = cv2.calcHist(images, channels, mask, histSize, ranges, accumulate)
images:原图
channels:指定通道 [0]代表灰度图，如果读入的图像不是灰度图，该值可以是[0],[1],[2]分别代表通道 B,G,R
mask:掩码图像，进行整张图的绘制时为 None
histSize:BIN 的数量
ranges:像素值范围
accumulate:累计标识，一般可以省略
灰度图的直方图
#绘制直方图
hist = cv2.calcHist([img1], [0], None, [256], [0, 255])
plt.plot(hist, color = 'lime', label = '直方图', linestyle = '--')
plt.legend()
plt.savefig('E:\From Zhihu\For the desk\cvseven1.jpeg')
plt.show()
可以看出这幅灰度图中亮度较高的像素点还是占多数的，即整体亮度较高
彩色图直方图
读入彩色图像，并对某一个通道进行直方图绘制
"""
Author:XiaoMa
date:2021/10/24
"""
#调用需要的包
import cv2
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'SimHei' #将全局中文字体改为黑体
img0 = cv2.imread('E:\From Zhihu\For the desk\cvseven.jpeg')
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)
h, w = img1.shape[:2]
print(h, w)
cv2.namedWindow("W0")
cv2.imshow("W0", img0)
cv2.waitKey(delay = 0)
#绘制直方图
hist = cv2.calcHist([img0], [0], None, [256], [0, 255])
plt.plot(hist, color = 'lime', label = '蓝色通道直方图', linestyle = '--', alpha = 1)
plt.legend()
plt.savefig('E:\From Zhihu\For the desk\cvseven1.jpeg')
plt.show()
上图就是对蓝色通道绘制的直方图
如果我们不需要整幅图像中的直方图，而是某个区域的直方图，我们只需要绘制一幅图，将需要统计的部分设置为白色，不需要统计的部分设置为黑色，就构成了一幅掩膜图像
得到掩模图
##得到掩膜图
mask = np.zeros(img0.shape, np.uint8) #将每一个像素点设置为0，就是黑色
mask[109:309, 212:412] = 255 #选取特定区域设置为白色
img0_1 = cv2.bitwise_and(img0, mask) #图像与操作得到掩膜图
cv2.namedWindow("W1")
cv2.imshow("W1", img0_1)
cv2.waitKey(delay = 0)
绘制掩膜直方图
#绘制掩膜直方图
##得到掩膜图
mask = np.zeros(img1.shape, np.uint8) #将每一个像素点设置为0，就是黑色
mask[109:309, 212:412] = 255 #选取特定区域设置为白色
img1_1 = cv2.bitwise_and(img1, mask) #图像与操作得到掩膜图
cv2.namedWindow("W1")
cv2.imshow("W1", img1_1)
cv2.waitKey(delay = 0)
##绘制掩膜直方图和部分图像直方图
hist1 = cv2.calcHist([img1], [0], mask, [256], [0, 255]) #掩膜图直方图，参数需要修改
hist2 = cv2.calcHist([img1], [0], None, [256], [0,255])
plt.plot(hist1, color = 'b', label = '掩膜直方图', linestyle = '--')
plt.plot(hist2, color = 'r', label = '原图直方图', linestyle = '-.')
plt.legend()
plt.savefig('E:\From Zhihu\For the desk\cvseven2.jpeg')
plt.show()得到的图像如下：
H(Hue) - S(Saturation) 直方图，即色调 - 饱和度直方图
绘制该直方图需要将源RGB图像转化到 HSV （色调、饱和度、亮度）颜色空间中去
img0_2 = cv2.cvtColor(img0, cv2.COLOR_BGR2HSV) #将 RGB 空间转化为 HSV 空间
cv2.namedWindow("W2")
cv2.imshow("W2", img0_2)
cv2.waitKey(delay = 0)
此处参考：OpenCV 官网
##绘制H-S直方图
hist3 = cv2.calcHist ([img0_2], [0, 1], None , [180, 256], [0, 180, 0, 256])#官网给出的解释：channel = [0,1] 因为我们需要同时处理 H 和 S 平面；bins = [180,256] H 平面为 180，S 平面为 256；range = [0,180,0,256] 色调值介于 0 和 180 之间，饱和度介于 0 和 256 之间
plt.imshow(hist3)
plt.savefig('E:\From Zhihu\For the desk\cvseven3.jpeg')
plt.show()得到的图像如下：
上图中的 X 轴代表S（饱和度），Y轴代表H（色调）
该图中的峰值主要分布在 S 在（0-50）之间 H在（20-80），至于为什么峰值较少，个人猜测是由于原图中的色彩变化不明显，导致没办法绘制出过多过明显的峰值
以上是“Python+OpenCV图像处理之直方图统计的示例分析”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
