opencv绘制灰度直方图（计算机视觉OpenCV-图像直方图）
💥💥💥欢迎来到本博客
💥💥💥
🎉作者简介：⭐️⭐️⭐️目前计算机研究生在读 。主要研究方向是人工智能和群智能算法方向 。目前熟悉python网页爬虫 、机器学习 、计算机视觉（OpenCV） 、群智能算法 。然后正在学习深度学习的相关内容 。以后可能会涉及到网络安全相关领域 ，毕竟这是每一个学习计算机的梦想嘛！ 📋博主优势：🌞🌞🌞博客内容尽量做到每一步都可以进行实操 ，做到极度细致 ，不仅仅可以满足自己复习 ，也方便大家进行学习！亲民！！！ 📝目前更新：🌟🌟🌟目前已经更新了关于网络爬虫得相关系列 、机器学习得相关知识 、目前正在更新计算机视觉-OpenCV ，后续将继续更新其他知识 。
📃个人主页：吃猫的鱼python个人主页
🔎支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话 ，可以免费的关注一下博主 ，如果三连收藏支持就更好啦！这就是给予我最大的支持！
💛💛💛本文摘要💛💛💛 计算机视觉OpenCV图像直方图的相关知识 。具体包括以下几个内容 。 1.图像直方图基本含义和绘制 2.OpenCV统计直方图并绘制 3.使用掩码的直方图-直方图 、掩膜 4.直方图均衡化原理及函数 5.子图的绘制 6.直方图均衡化对比😎1.图像直方图基本含义和绘制
首先我们先要了解一下python三大剑客之一——matplotlib
我们都知道matlab作为一个工具是公认的绘图牛 ，但是我想说的是python下的matplotlib这个超级剑客也是非常厉害的 ，因为python近年来才火热起来 ，所以热度没有matlib高 ，但是matlib可以实现的功能作为python都是差不多可以实现的 。
我们回归正题 ，先来介绍下matplotlib怎么简单的画一个直方图 。 import numpy as np import matplotlib.pyplot as plt x=np.arange(0,5,0.1) y=np.sim(x) plt.plot(x,y)简单的不能再简单了吧 ，我们使用它去绘制一个sin（x）的函数图像 。
那么matplotlib如何和CV一起工作呢？ import cv2 import matplotlib.pyplot as plt o=cv2.imread("image\\boatGray.bmp") histb = cv2.calcHist([o],[0],None,[256],[0,255]) plt.plot(histb,color=b) plt.show()结果是（也很好理解吧）：
针对于彩色图像我们也可以针对BGR分别作图 。 import cv2 import matplotlib.pyplot as plt o=cv2.imread("image\\girl.bmp") histb = cv2.calcHist([o],[0],None,[256],[0,255]) histg = cv2.calcHist([o],[1],None,[256],[0,255]) histr = cv2.calcHist([o],[2],None,[256],[0,255]) plt.plot(histb,color=b) plt.plot(histg,color=g) plt.plot(histr,color=r) plt.show()直方图的绘制我们使用的函数还有：函数hist
功能：根据数据源和像素级绘制直方图 。 语法： hist(数据源 ，像素级）数据源：图像 ，必须是一维数组 。
像素级：一般是256 ，指[0,255] 功能：将多维数组降为一维数组 。格式：一维数组=多维数组.ravel() import cv2 import matplotlib.pyplot as plt o=cv2.imread("image\\boat.jpg") cv2.imshow("o",o) cv2.waitKey() cv2.destroyAllWindows() plt.hist(o.ravel(),256)😎2.OpenCV统计直方图并绘制
使用OpenCV对图像进行绘制的和横坐标表示像素值比如[0,255] ，纵坐标表示像素值的个数 。
绘制函数： hist = cv2.calcHist( images, channels, mask, histSize, ranges, accumulate )其中 ，hist返回结果是一个直方图 ，返回的直方图 ，是一个二维数组 。
image原始图像：图像需要使用“[ ] ”括起来使用 。
channels：通道编号需要用中括号括起来 输入图像是灰度图时 ，它的值是[0]； 彩色图像可以是[0] ，[1] ，[2] 。分别对应通道B ，G ，R 。
mask：掩码图像统计整幅图像的直方图 ，设为None 。 统计图像某一部分的直方图时 ，需要掩码图像 。
histSizeBINS的数量 ，例如【256】
ranges像素值范围RANGE
accumulate默认值为false 。 如果被设置为true ，则直方图在开始分配时不会被清零 。 该参数允许从多个对象中计算单个直方图 ，或者用于实时更新直方图 。 多个直方图的累积结果 ，用于对一组图像计算直方图 。
使用OpenCV画出直方图： import cv2 import matplotlib.pyplot as plt o=cv2.imread("image\\girl.bmp") histb = cv2.calcHist([o],[0],None,[256],[0,255]) histg = cv2.calcHist([o],[1],None,[256],[0,255]) histr = cv2.calcHist([o],[2],None,[256],[0,255]) plt.plot(histb,color=b) plt.plot(histg,color=g) plt.plot(histr,color=r) plt.show()😎3.使用掩码的直方图-直方图 、掩膜
掩码说实话就是使用掩膜的黑色部分把原始图像的部分给覆盖掉 ，也称为过滤掉 。那么我们怎么做呢？首先我们需要创建一个掩膜：
mask=np.zeros(image.shape,np.uint8) mask[200:400,200:400]=255首先创建一个全0的和原图像size一致的 ，然后我们把指定范围指定为白色 。然后传入函数内：
import cv2 import numpy as np import matplotlib.pyplot as plt 显示直方图 image=cv2.imread("image\\girl.bmp",cv2.IMREAD_GRAYSCALE) mask=np.zeros(image.shape,np.uint8) mask[200:400,200:400]=255 histMI=cv2.calcHist([image],[0],mask,[256],[0,255]) histImage=cv2.calcHist([image],[0],None,[256],[0,255]) plt.plot(histImage) plt.plot(histMI)结果是：
掩膜原理：
说实在的就是与和或的关系 ，与就是一个不行就都不行 。或就是一个行就可以 。
而我们的掩膜原理主要用到的就是与操作；
计算结果 = cv2.bitwise_and(图像1 ，图像2) import cv2 import numpy as np import matplotlib.pyplot as plt image=cv2.imread("image\\boat.bmp",0) mask=np.zeros(image.shape,np.uint8) mask[200:400,200:400]=255 mi=cv2.bitwise_and(image,mask) cv2.imshow(original,image) cv2.imshow(mask,mask) cv2.imshow(mi,mi) cv2.waitKey() cv2.destroyAllWindows()😎4.直方图均衡化原理及函数
在维基百科是这样定义的：
对应在图像上就是：
前提：如果一幅图像占有全部可能的灰度级 ，并且均匀分布 。
结论：该图像具有高对比度和多变的灰度色调 。
外观：图像细节丰富 ，质量更高 。
算法：
1.计算累计直方图
2.将累计直方图进行区间转换
3.在累计直方图中 ，概率相近的原始值 ，会被处理为相同的值 。
1.计算灰度级出现的概率情况𝑟𝑘：第K个灰度级
𝑛𝑘：第k级灰度的像素个数
N：图像内总像素的个数
L：灰度级最大值 ，灰度值区间[0,L-1]
2.变换函数我们把公式表现在图片上就是：
这样就完成了从原始图像计算得到了均衡直方图 。
虽然二者相似 。但右侧的分布更均衡 ，相邻像素级概率和与高概率近似相等 。可应用到医疗图像处理 ，车牌识别 ，人脸识别 。
对应函数是：dst = cv2.equalizeHist( src ) import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(image\\equ.bmp,cv2.IMREAD_GRAYSCALE) equ = cv2.equalizeHist(img) plt.hist(img.ravel(),256) plt.figure() plt.hist(equ.ravel(),256)我们处理一下lena ，就是这样：
😎5.子图的绘制
我们有的时候为了方便对比 ，会想要把几个图放在一张大图中进行比较 ，那么我们怎么去做呢？有没有一个函数可以完成这个操作呢 。
subplot(nrows, ncols, plot_number)nrows表示行数 ，ncols表示列数 ，plot_number表示第几个 。subplot(2,3,4)那么就表示2行三列 ，第四个图 。
当每一个参数都小于10时 ，可以直接书写三个数字 ，表示为“subplot(234) import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(image\\boatGray.bmp,cv2.IMREAD_GRAYSCALE) equ = cv2.equalizeHist(img) plt.subplot(121),plt.hist(img.ravel(),256) plt.subplot(122),plt.hist(equ.ravel(),256)imshow(X, cmap=None)
X表示要绘制的图像 ，cmap表示colormap ，颜色图谱 ，默认为RGB(A)颜色空间 。
灰度图像 ：colormap ，颜色图谱 ，默认为RGB(A)颜色空间使用参数cmap=plt.cm.gray
彩色图像 ：colormap ，颜色图谱 ，默认为RGB(A)颜色空间 ，如果使用opencv读入的图像 ，默认空间为BGR ，需要调整色彩空间为RGB 。 import cv2 import matplotlib.pyplot as plt o = cv2.imread(image\\girl.bmp) g=cv2.cvtColor(o, cv2.COLOR_BGR2GRAY) plt.subplot(221) plt.imshow(o),plt.axis(off) plt.subplot(222) plt.imshow(o,cmap=plt.cm.gray),plt.axis(off) plt.subplot(223) plt.imshow(g),plt.axis(off) plt.subplot(224) plt.imshow(g,cmap=plt.cm.gray),plt.axis(off)第一个图是：彩色图像 ，使用默认参数 。
第二个图是：彩色图像 ，使用参数cmap=plt.cm.gray
第三个图是：灰色图像 ，使用默认参数
第四个图是：灰色图像 ，使用参数cmap=plt.cm.gray
那么只有第四个图是正确的 。
对于彩色图像： import cv2 import matplotlib.pyplot as plt img = cv2.imread(image\\girl.bmp) b,g,r=cv2.split(img) img2=cv2.merge([r,g,b]) plt.subplot(121) plt.imshow(img),plt.axis(off) plt.subplot(122) plt.imshow(img2),plt.axis(off)必须要将BGR split然后merge成RGB才可以 。
😎6.直方图均衡化对比
import cv2 import matplotlib.pyplot as plt img = cv2.imread(image\\boat.bmp,cv2.IMREAD_GRAYSCALE) equ = cv2.equalizeHist(img) plt.subplot(221) plt.imshow(img,cmap=plt.cm.gray),plt.axis(off) plt.subplot(222) plt.imshow(equ,cmap=plt.cm.gray),plt.axis(off) plt.subplot(223) plt.hist(img.ravel(),256) plt.subplot(224) plt.hist(equ.ravel(),256)🔎支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话 ，可以免费的关注一下博主 ，如果三连收藏支持就更好啦！这就是给予我最大的支持！
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！