opencv-python实战——直方图详解（❤️含大量实例，建议收藏❤️）(代码片段)

0. 前言

直方图是一种强大的技术，可以用于更好地理解图像内容。例如，许多相机在拍照时会实时显示正在捕获的场景的直方图，以调整相机拍摄的一些参数(例如曝光时间、亮度或对比度等)。在本文中，我们将学习直方图的相关概念，以及如何创建直方图。

1. 直方图简介

图像直方图是一种反映图像色调分布的直方图，其绘制每个色调值的像素数。每个色调值的像素数也称为频率( frequency )。因此，强度值在 [0, K-1] 范围内的灰度图像的直方图将恰好包含 K 个矩形。例如，在 8 位灰度图像的情况下，K = 256 ($2^8=256$)，因此，强度值在 [0, 255] 范围内。直方图的每个矩形的高度定义为：
$$h(i)=\text{number of pixels with intensity }i,(i\in [0,255])$$
例如，$h(80)$ 即为= 强度为 80 的像素数。
为了更好的理解直方图，我们构建一个由 7 个不同的灰度级方块组成的图形。灰度值分别为： 30 、 60 、 90 、 120 、 150 、 180 和 210 。

def build_sample_image():
    # 定义不同的灰度值: 60, 90, 120, ..., 210
    tones = np.arange(start=60, stop=240, step=30)
    # 使用灰度值30初始化第一个60x60方块
    result = np.ones((60, 60, 3), dtype="uint8") * 30
    # 连接构建的所有灰度方块
    for tone in tones:
        img = np.ones((60, 60, 3), dtype="uint8") * tone
        result = np.concatenate((result, img), axis=1)

    return result

def build_sample_image_2():
    # 翻转构建的灰度图像
    img = np.fliplr(build_sample_image())
    return img

接下来，构建直方图并进行可视化：

def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]

    ax = plt.subplot(2, 2, pos)
    plt.imshow(img_RGB)
    plt.title(title)
    plt.axis('off')

def show_hist_with_matplotlib_gray(hist, title, pos, color):
    ax = plt.subplot(2, 2, pos)
    plt.title(title)
    plt.xlabel("bins")
    plt.ylabel("number of pixels")
    plt.xlim([0, 256])
    plt.plot(hist, color=color)

plt.figure(figsize=(14, 10))
plt.suptitle("Grayscale histograms introduction", fontsize=14, fontweight='bold')

# 构建图像并转换为灰度图像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image_2 = build_sample_image_2()
gray_image_2 = cv2.cvtColor(image_2, cv2.COLOR_BGR2GRAY)

# 构建直方图
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
hist_2 = cv2.calcHist([gray_image_2], [0], None, [256], [0, 256])

# 绘制灰度图像及直方图
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "image with 60x60 regions of different tones of gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 2, 'm')
show_img_with_matplotlib(cv2.cvtColor(gray_image_2, cv2.COLOR_GRAY2BGR), "image with 60x60 regions of different tones of gray", 3)
show_hist_with_matplotlib_gray(hist_2, "grayscale histogram", 4, 'm')

plt.show()

直方图(下图中右侧图形)显示图像中每个色调值出现的次数(频率)，由于每个方块区域的大小为 60 x 60 = 3600 像素，因此上述所有灰度值的频率都为 3,600，其他值则为 0：
如上图所示，直方图仅显示统计信息，而不显示像素的位置。也可以加载真实照片，并绘制直方图，只需要修改 build_sample_image() 函数：

def build_sample_image():
    image = cv2.imread('example.png')
    return image

1.1 直方图相关术语

上例中我们已经看到了构建直方图的简单示例，在深入了解直方图以及使用 OpenCV 函数构建和可视化直方图之前，我们需要了解一些与直方图相关的术语：

2. 灰度直方图

OpenCV 中使用 cv2.calcHist() 函数来计算一个或多个数组的直方图。因此，该函数可以应用于单通道图像和多通道图像。
我们首先了解如何计算灰度图像的直方图：

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

其中，函数参数如下：

2.1 不带蒙版的灰度直方图

计算全灰度图像(无蒙版)直方图的代码如下：

image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 4, 'm')

在上述代码中， hist 是一个形状为 (256, 1) 的数组，每个值( bin )对应于具有相应色调值的像素数。
灰度图像的亮度可以定义为图像所有像素的平均强度，由以下公式给出：
$$Brightness=\frac{1}{m\cdot n}\sum _{x=1}^m\sum _{y=1}^{n}I(x,y)$$
这里，$I(x,y)$ 是图像特定像素的色调值。因此，如果图像的平均色调较高，意味着图像的大多数像素将非常接近白色；相反，如果图像的平均色调较低，意味着图像的大多数像素将非常接近黑色。
我们可以对灰度图像执行图像加法和减法，以便修改图像中每个像素的灰度强度，以观察如何更改图像的亮度以及直方图如何变化：

M = np.ones(gray_image.shape, dtype="uint8") * 30
# 每个灰度值加 30
added_image = cv2.add(gray_image, M)
# 计算结果图像的直方图
hist_added_image = cv2.calcHist([added_image], [0], None, [256], [0, 256])
# 每个灰度值减 30
subtracted_image = cv2.subtract(gray_image, M)
# 计算结果图像的直方图
hist_subtracted_image = cv2.calcHist([subtracted_image], [0], None, [256], [0, 256])
# 可视化
show_img_with_matplotlib(cv2.cvtColor(added_image, cv2.COLOR_GRAY2BGR), "gray lighter", 2)
show_hist_with_matplotlib_gray(hist_added_image, "grayscale histogram", 5, 'm')
show_img_with_matplotlib(cv2.cvtColor(subtracted_image, cv2.COLOR_GRAY2BGR), "gray darker", 3)
show_hist_with_matplotlib_gray(hist_subtracted_image, "grayscale histogram", 6, 'm')

中间的灰度图像对应于原始图像的每个像素加 35 的图像，从而产生更亮的图像，图像的直方图会向右偏移，因为没有强度在 [0-35] 范围内的像素；而右侧的灰度图像对应于原始图像的每个像素都减去 35 的图像，从而导致图像更暗，图像的直方图会向左偏移，因为没有强度在 [220-255] 范围内的像素。

2.2 带有蒙版的灰度直方图

如果需要应用蒙版，需要首先创建一个蒙版。

# 加载并修改图像
image = cv2.imread('example.png')
height, width = image.shape[:2]
# 添加了一些具有 0 和 255 灰度强度的黑色和白色小圆圈
for i in range(0, width, 20):
    cv2.circle(image, (i, 390), 5, (0, 0, 0), -1)
    cv2.circle(image, (i, 10), 5, (255, 255, 255), -1)
# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 创建蒙版
mask = np.zeros(gray_image.shape[:2], np.uint8)
mask[30:190, 30:190] = 255

蒙版由与加载图像尺寸相同的黑色图像组成，白色图像对应于要计算直方图的区域。
然后使用所创建的蒙版来计算直方图，调用 cv2.calcHist() 函数并传递创建的蒙版：

hist_mask = cv2.calcHist([gray_image], [0], mask, [256], [0, 256])
# 可视化
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 2, 'm')
show_img_with_matplotlib(cv2.cvtColor(masked_img, cv2.COLOR_GRAY2BGR), "masked gray image", 3)
show_hist_with_matplotlib_gray(hist_mask, "grayscale masked histogram", 4, 'm')

如上图所示，我们对图像进行了修改，我们在其中分别添加了一些黑色和白色的小圆圈，这导致直方图在 bins = 0 和 255 中有较大的值，如第一个直方图所示。但是，添加的这些修改不会出现在蒙版图像直方图中，因为应用了蒙版，因此在计算直方图时没有将它们考虑在内。

3. 颜色直方图

接下来，我们将了解如何计算颜色直方图。在多通道图像中，计算颜色直方图的实质上是计算每个通道的直方图，因此我们需要创建函数来计算多个通道的直方图：

def hist_color_img(img):
    histr = []
    histr.append(cv2.calcHist([img], [0], None, [256], [0, 256]))
    histr.append(cv2.calcHist([img], [1], None, [256], [0, 256]))
    histr.append(cv2.calcHist([img], [2], None, [256], [0, 256]))
    return histr

我们也可以创建一个 for 循环或类似的方法来调用 cv2.calcHist() 函数三次。
接下来需要调用 hist_color_img() 函数计算图像的颜色直方图：

# 加载图像
image = cv2.imread('example.png')
# 计算图像的颜色直方图
hist_color = hist_color_img(image)
# 可视化
show_img_with_matplotlib(image, "image", 1)
# 可视化颜色直方图函数
def show_hist_with_matplotlib_rgb(hist, title, pos, color):
    ax = plt.subplot(2, 3, pos)
    plt.xlabel("bins")
    plt.ylabel("number of pixels")
    plt.xlim([0, 256])
    for (h, c) in zip(hist, color):
        plt.plot(h, color=c)
show_hist_with_matplotlib_rgb(hist_color, "color histogram", 4, ['b', 'g', 'r'])

同样，使用 cv2.add() 和 cv2.subtract() 来修改加载的 BGR 图像的亮度(原始 BGR 图像的每个像素值添加/减去 10)，并查看直方图的变化情况：

M = np.ones(image.shape, dtype="uint8") * 10
# 原始 BGR 图像的每个像素值添加 10
added_image = cv2.add(image, M)
hist_color_added_image = hist_color_img(added_image)

# 原始 BGR 图像的每个像素值减去 10
subtracted_image = cv2.subtract(image, M)
hist_color_subtracted_image = hist_color_img(subtracted_image)

# 可视化
show_img_with_matplotlib(added_image, "image lighter", 2)
show_hist_with_matplotlib_rgb(hist_color_added_image, "color histogram", 5, ['b', 'g', 'r'])
show_img_with_matplotlib(subtracted_image, "image darker", 3)
show_hist_with_matplotlib_rgb(hist_color_subtracted_image, "color histogram", 6, ['b', 'g', 'r'])

4. 直方图的自定义可视化

为了可视化直方图，我们调用了 plt.plot() 函数，这是由于没有 OpenCV 函数可以用来直接绘制直方图。因此，如果我们想要使用 OpenCV 绘制直方图，必须利用 OpenCV 原语(例如 cv2.polylines() 和 cv2.rectangle() 等)来绘制直方图。
我们创建实现此功能的 plot_hist() 函数，此函数创建一个 BGR 彩色图像，并在其中绘制直方图。该函数的代码如下：

def plot_hist(hist_items, color):
    # 出于可视化目的，我们添加了一些偏移
    offset_down = 10
    offset_up = 10
    # 这将用于创建要可视化的点（x坐标）
    x_values = np.arange(256).reshape(256, 1)
    # 创建画布
    canvas = np.ones((300, 256, 3), dtype='uint8') * 256

    for hist_item, col in zip(hist_items, color):
        # 在适当的可视化范围内进行规范化
        cv2.normalize(hist_item, hist_item, 0 + offset_down, 300 - offset_up, cv2.NORM_MINMAX)
        # 将值强制转换为int
        around = np.around(hist_item)
        # 数据类型转换
        hist = np.int32(around)
        # 使用直方图和x坐标创建点
        pts = np.column_stack((x_values, hist))
        # 绘制点
        cv2.polylines(canvas, [pts], False, col, 2)
        # 绘制一个矩形
        cv2.rectangle(canvas, (0, 0), (255, 298), (0, 0, 0), 1)
    
    # 沿上/下方向翻转图像
    res = np.flipud(canvas)
    return res

此函数接收直方图并为直方图的每个元素构建 (x, y) 点 pts，其中 y 值表示直方图 x 元素的频率。这些点 pts 是通过使用 cv2.polylines() 函数绘制的，该函数根据 pts 数组绘制曲线。最后，图像需要垂直翻转，因为 y 值颠倒了。最后使用 plt.plot() 和自定义函数的直方图绘制函数进行比较：

# 读取图像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用 plt.plot() 绘制的灰度直方图
hist = cv2.calcHistopencv-python实战——图像与视频文件的处理（两万字详解，️建议收藏️）(代码片段)
OpenCV-Python实战（2）——图像与视频文件的处理（两万字详解，️📕建议收藏📕）0.前言1.图像与视频文件处理基础2.图像的读取与写入2.1在OpenCV中读取图像2.2使用OpenCV写入图像2.3计算机视觉项目处理流...  查看详情  
                
opencv-python实战——opencv中绘制图形与文本（万字总结，️❤️建议收藏️❤️）(代码片段)
OpenCV-Python实战（3）——OpenCV中绘制图形与文本（万字总结，️📕建议收藏📕）0.前言1.OpenCV绘图基础2.OpenCV绘制图形2.1基本图形的绘制2.1.1直线2.1.2矩形2.1.3圆形2.2高级图形的绘制2.2.1剪裁线2.2.2箭头2.2.3...  查看详情  
                
opencv-python实战——opencv图像运算（❤️万字长文，含大量示例❤️）(代码片段)
OpenCV-Python实战（5）——OpenCV图像运算（❤️万字长文，含大量示例❤️）0.前言1.饱和运算2.图像加减法与图像混合3.按位运算4.形态变换4.1膨胀运算与腐蚀运算4.2开运算与闭运算4.3形态梯度运算4.4顶帽运算与...  查看详情  
                
opencv-python实战——直方图均衡化（含大量示例，建议收藏）(代码片段)
OpenCV-Python实战（8）——直方图均衡化（含大量示例，建议收藏）0.前言1.灰度直方图均衡化2.颜色直方图均衡化3.对比度受限的自适应直方图均衡化4.比较CLAHE和直方图均衡化5.直方图的比较小结系列链接0.前言...  查看详情  
                
opencv-python直方图计算calchist函数详解(代码片段)
☞░前往老猿Python博文目录https://blog.csdn.net/LaoYuanPython░一、引言在《《数字图像处理》第三章学习总结感悟2：直方图处理：https://blog.csdn.net/LaoYuanPython/article/details/119856466》相关的文章中介绍了直方图均衡、直方图匹配...  查看详情  
                
opencv-python实战——opencv常见图像处理技术（❤️万字长文，含大量示例❤️）(代码片段)
OpenCV-Python实战（4）——OpenCV常见图像处理技术（❤️万字长文，含大量示例❤️）0.前言1.拆分与合并通道2.图像的几何变换2.1缩放图像2.2平移图像2.3旋转图像2.4图像的仿射变换2.5图像的透视变换2.6裁剪图像3....  查看详情  
                
opencv-python实战——opencv中的色彩空间和色彩映射（❤️含大量实例，建议收藏❤️）(代码片段)
OpenCV-Python实战（6）——OpenCV中的色彩空间和色彩映射（❤️含大量示例❤️，建议收藏）0.前言1.色彩空间1.1显示色彩空间1.2不同色彩空间在皮肤分割中的不同效果2.色彩映射2.1OpenCV中的色彩映射2.2自定义色彩...  查看详情  
                
opencv-python实战——opencv简介与图像处理基础（万字总结，️建议收藏️）(代码片段)
OpenCV-Python实战（1）——OpenCV简介与图像处理基础（内含大量示例，📕建议收藏📕）OpenCV介绍Python安装OpenCVOpenCV主要模块OpenCV应用场景OpenCV图像处理基础图像基础图像处理中的主要问题图像处理流程像...  查看详情  
                
opencv-python图像直方图计算calchist函数详解示例及图形呈现(代码片段)
####☞░[前往老猿Python博文目录https://blog.csdn.net/LaoYuanPython](https://blog.csdn.net/LaoYuanPython/article/details/98245036)░一、引言在前面几篇直方图相关的文章中介绍了直方图均衡、直方图匹配、局部直方图处理、基于直方图统计信息进行...  查看详情  
                
opencv-python自适应直方图均衡类clahe及方法详解(代码片段)
...提供实现的，老猿没研究过C++中的应用，但OpenCV-Python中应用时与普通的Python类构建对象的机制有所不同，老猿做了相关测试，在此简单介绍一下。二、CLAHE类及方法介绍2.1、简介CLAHE类是OpenCV中进行对比度受...  查看详情  
                
数字图像处理：opencv-python中的直方图均衡知识介绍及函数equalizehist详解(代码片段)
一、引言在《数字图像处理：直方图均衡（HistogramEqualization）的原理及处理介绍》（链接：https://blog.csdn.net/LaoYuanPython/article/details/119857829）中介绍了数字图像处理中应用直方图均衡进行图像增强的原理、...  查看详情  
                
opencv-python实战（17）——人脸识别详解(代码片段)
OpenCV-Python实战（17）——人脸识别详解0.前言1.人脸识别简介2.使用OpenCV进行人脸识别2.1使用OpenCV进行人脸识别流程示例3.使用dlib进行人脸识别4.使用face_recognition进行人脸识别小结系列链接0.前言人脸处理是人工智能中的一...  查看详情  
                
opencv-python实战（16）——人脸追踪详解(代码片段)
OpenCV-Python实战（16）——人脸追踪详解0.前言1.人脸追踪技术简介2.使用基于dlibDCF的跟踪器进行人脸跟踪2.1完整代码3.使用基于dlibDCF的跟踪器进行对象跟踪3.2完整代码小结系列链接0.前言人脸处理是人工智能中的一个热门...  查看详情  
                
opencv-python实战（12）——一文详解ar增强现实(代码片段)
OpenCV-Python实战（12）——一文详解AR增强现实0.前言1.增强现实简介2.基于无标记的增强现实2.1特征检测2.2特征匹配2.3利用特征匹配和单应性计算以查找对象3.基于标记的增强现实3.1创建标记和字典3.2检测标记3.3相机校准3.4...  查看详情  
                
opencv-python实战（10）——详解opencv轮廓检测(代码片段)
OpenCV-Python实战（10）——详解OpenCV轮廓检测0.前言1.轮廓介绍2.轮廓检测3.轮廓压缩4.图像矩4.1一些基于矩的对象特征4.2Hu不变矩小结系列链接0.前言在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，...  查看详情  
                
opencv-python实战（番外篇）——opencv实现图像卡通化(代码片段)
OpenCV-Python实战（番外篇）——OpenCV实现图像卡通化前言图像卡通化完整代码更多卡通化效果展示相关链接前言在博文《OpenCV-Python实战（4）——OpenCV常见图像处理技术（❤️万字长文，含大量示例❤️࿰...  查看详情  
                
python-matplotlib可视化（番外篇）——matplotlib中的事件处理详解与实战(代码片段)
...实战2：鼠标进入和离开相关链接与参考前言在博文《OpenCV-Python实战（番外篇）——OpenCV中利用鼠标事件动态绘制图形》中，介绍了OpenCV中的事  查看详情  
                
opencv-python实战（14）——人脸检测详解（仅需6行代码学会4种人脸检测方法）(代码片段)
OpenCV-Python实战（14）——人脸检测详解（仅需6行代码学会4种人脸检测方法）0.前言1.人脸处理简介2.安装人脸处理相关库2.1安装dlib2.2安装face_recognition2.3安装cvlib3.人脸检测3.1使用OpenCV进行人脸检测3.1.1基于Haar级联...  查看详情