OpenCV学习笔记（八）——直方图的计算与绘制（cv.calcHist()、plt.hist()、plt.imshow()）

已于 2022-04-22 22:59:58 修改
阅读量5.3k 收藏 20
点赞数
分类专栏： OpenCV学习笔记 文章标签： opencv python
于 2022-04-05 21:23:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a1016249126/article/details/123947002
版权

目录


直方图是是图像处理中非常重要的像素统计工具，不再表征任何的图像纹理信息，而是表示像素的统计特性。由于同一物体无论是旋转还是平移，在图像中都应具有相同的灰度值，因此直方图具有 平移不变性、缩放不变性等优点。可以通过这些特性来查看图像整体的变化形式，例如图像是否变暗、图像灰度值主要集中在哪些区域等。在这些特定条件下，可以利用直方图进行简单图像的识别，例如 数字、字母的识别。

1 直方图的计算

在图像处理中，直方图就是统计图像中每个灰度值的个数之后，将回到沪指作为横轴以灰度值的个数，或者所占比值作为纵轴绘制的统计图。通过直方图，我们可以看出图像中哪些灰度值的数目较多。通常情况下，灰度值代表亮暗程度，因此通过直方图可以分析图像亮暗对比度，并调整图像的亮暗程度。
在OpenCV4中可以使用cv.calcHist()函来统计图像中每个灰度值的个数。

#cv.calcHist()函数原型
cv.calcHist(images,
		    channels,
		    mask,
		    histSize,
            ranges,
		    [, hist
		    [, accumulate]])

其中各返回值和参数的含义分别为：
images：待计算直方图的图像数组
channels：需要统计的通道索引
mask：图像掩模
histSize：存放每个维度直方图的数组尺寸
ranges：每个图像通道中灰度值的取值范围
hist：输出的直方图，是一个数组
accumulate：表示是否积累统计直方图的标志

示例代码

# -*- coding:utf-8 -*-
import cv2 as cv
import sys
import numpy as np

# 设置不显示科学计数法，显示普通数字
np.set_printoptions(suppress=True)

if __name__ == '__main__':
    # 以灰度方式读取图像
    image = cv.imread('../images/BRZ.jpg', 0)
    # 判断是否读取成功
    if image is None:
        print("Failed to read BRZ.jpg.")
        sys.exit()
    # 对图像进行直方图计算
    hist = cv.calcHist([image], [0], None, [256], [0, 256])
    # 输出结果
    print('统计灰度直方图为：\n{}'.format(hist)

2 直方图的绘制

2.1 cv.line()和cv.polylines()

我们利用线段将每个像素值的数目表示出来，线段的长度表示数目的多少来绘制直方图。对于灰度图，需要先对图像进行直方图计算和归一化处理，对于每个灰度值x及对应数目y，先使用cv.line()函数连接(x,0)和(x,y)两点；对于彩色图像，使用cv.polylines()函数绘制直方图。

示例代码

# -*- coding:utf-8 -*-
import cv2 as cv
import numpy as np
import sys


# 设定bins的数目
bins = np.arange(256).reshape(256, 1)


def draw_gray_histogram(image):
    # 创建一个全0矩阵以绘制直方图
    new = np.zeros((image.shape[0], 256, 3))
    # 对图像进行直方图计算
    hist_item = cv.calcHist([image], [0], None, [256], [0, 256])

    cv.normalize(hist_item, hist_item, 0, 255, cv.NORM_MINMAX)
    hist = np.int32(np.around(hist_item))
    for x, y in enumerate(hist):
        cv.line(new, (int(x), 0), (int(x),int(y)), (255, 255, 255))
    # 由于绘制时是从顶部开始绘制，因此需要将矩阵进行翻转
    result = cv.flip(new, 0)
    return result


def draw_bgr_histogram(image):
    # 创建一个3通道的全0矩阵以绘制直方图
    new = np.zeros((image.shape[0], 256, 3))
    # 声明BGR三种颜色
    bgr = [(255, 0, 0), (0, 255, 0), (0, 0, 255)]
    for i, col in enumerate(bgr):
        hist_item = cv.calcHist([image], [i], None, [256], [0, 256])
        cv.normalize(hist_item, hist_item, 0, 255, cv.NORM_MINMAX)
        hist = np.int32(np.around(hist_item))
        hist = np.int32(np.column_stack((bins, hist)))
        cv.polylines(new, [hist], False, col)
    result = cv.flip(new, 0)
    return result


if __name__ == '__main__':
    # 读取图像BRZ.jpg
    img = cv.imread('../images/BRZ.jpg')
    # 判断是否读取成功
    if img is None:
        print("Failed to read BRZ.jpg.")
        sys.exit()
    # 将图片转为灰度模式
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

    # 计算并绘制灰度图像直方图和BGR图像直方图
    gray_histogram = draw_gray_histogram(gray)
    bgr_histogram = draw_bgr_histogram(img)

    cv.imshow('Origin Image', img)
    cv.imshow('Gray Histogram', gray_histogram)
    cv.imshow('BGR Histogram', bgr_histogram)

    cv.waitKey(0)
    cv.destroyAllWindows()

运行结果如下图所示。
在这里插入图片描述

2.2 plt.hist()

除了使用cv.line()函数绘制直方图，还可以使用Matplotlib库中的hist()函数之间统计并进行直方图的绘制。

#plt.hist()函数原型
n, bins, patcher = plt.hist(x,
                            bins=None,
                           	range=None,
                            density=None,                           	
                            weights=None,
                            cumulative=False,
                            bottom=None,
                            histtype='bar',
                            align='mid',
                            orientation='vertical',                            
                            rwidth=None,
                            log=False,
                            color=None,
                            label=None,                            
                            stacked=False,
                            data=None,
                            **kwargs)

其中各返回值和参数的含义分别为：
x：待绘制直方图的图像
bins：设置每个维度的直方图的数组大小
range：绘制直方图中数据的取值范围
density：确定返回值n为每个维度的频率还是频数
weights：与x尺寸相同的权重数组
cumulative：表示是否绘制累计直方图
bottom：底部基线的位置，默认值为0
histtype：绘制的直方图类型
align：直方图的绘制方式
orientation：确定沿水平方向或垂直方向绘制
rwidth：每个维度之间的宽度，默认值为0
log：表示是否设置为读数刻度
color：指定绘制的直方图的颜色
label：字符串或匹配多个数据集的字符串序列
stacked：确定数据堆叠或并列排序
data：关键字参数，默认不适用

plt.hist() 绘制灰度图像直方图示例代码

# -*- coding:utf-8 -*-
import cv2 as cv
import numpy as np
import sys


# 设定bins的数目
bins = np.arange(256).reshape(256, 1)


def draw_gray_histogram(image):
    # 创建一个全0矩阵以绘制直方图
    new = np.zeros((image.shape[0], 256, 3))
    # 对图像进行直方图计算
    hist_item = cv.calcHist([image], [0], None, [256], [0, 256])

    cv.normalize(hist_item, hist_item, 0, 255, cv.NORM_MINMAX)
    hist = np.int32(np.around(hist_item))
    for x, y in enumerate(hist):
        cv.line(new, (int(x), 0), (int(x),int(y)), (255, 255, 255))
    # 由于绘制时是从顶部开始绘制，因此需要将矩阵进行翻转
    result = cv.flip(new, 0)
    return result


def draw_bgr_histogram(image):
    # 创建一个3通道的全0矩阵以绘制直方图
    new = np.zeros((image.shape[0], 256, 3))
    # 声明BGR三种颜色
    bgr = [(255, 0, 0), (0, 255, 0), (0, 0, 255)]
    for i, col in enumerate(bgr):
        hist_item = cv.calcHist([image], [i], None, [256], [0, 256])
        cv.normalize(hist_item, hist_item, 0, 255, cv.NORM_MINMAX)
        hist = np.int32(np.around(hist_item))
        hist = np.int32(np.column_stack((bins, hist)))
        cv.polylines(new, [hist], False, col)
    result = cv.flip(new, 0)
    return result


if __name__ == '__main__':
    # 读取图像BRZ.jpg
    img = cv.imread('../images/BRZ.jpg')
    # 判断是否读取成功
    if img is None:
        print("Failed to read BRZ.jpg.")
        sys.exit()
    # 将图片转为灰度模式
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

    # 计算并绘制灰度图像直方图和BGR图像直方图
    gray_histogram = draw_gray_histogram(gray)
    bgr_histogram = draw_bgr_histogram(img)

    cv.imshow('Origin Image', img)
    cv.imshow('Gray Histogram', gray_histogram)
    cv.imshow('BGR Histogram', bgr_histogram)

    cv.waitKey(0)
    cv.destroyAllWindows()

运行结果如下图所示。
在这里插入图片描述

plt.hist() 绘制RGB图像直方图示例代码

# -*- coding:utf-8 -*-
import cv2 as cv
from matplotlib import pyplot as plt
import sys


if __name__ == '__main__':
    # 读取图像
    img = cv.imread('../images/BRZ.jpg')
    # 判断图像是否读取成功
    if img is None:
        print('Failed to read BRZ.jpg.')
        sys.exit()
    # 绘制直方图并展示
    color = ('b', 'g', 'r')
    for i, col in enumerate(color):
        hist_item = cv.calcHist([img], [i], None, [256], [0, 256])
        plt.plot(hist_item, color=col)
    cv.imshow('image', img)
    plt.show()
    cv.waitKey(0)
    cv.destroyAllWindows()

运行结果如下图所示。
在这里插入图片描述

3 2D 直方图

上文中绘制的直方图由于只考虑了图像灰度值这一特征，所以称之为一维直方图。但是对于彩色图像，我们需要考虑图像的色度（hue）和饱和度（saturation），并根据这两个特征值进行 2D直方图的统计。
2D直方图的计算与一维直方图类似，同样需要使用cv.calcHist()函数，但是在计算前，需要将图像从RGB格式转换为HSV格式。

3.1 cv.calcHist()

cv.calcHist() 绘2D直方图示例代码

# -*- coding:utf-8 -*-
import numpy as np
import cv2 as cv
import sys


if __name__ == '__main__':
    # 构建一个HSV格式颜色地图，然后将其转换为BGR格式
    hsv_map = np.zeros((180, 256, 3), dtype=np.uint8)
    h, s = np.indices(hsv_map.shape[:2])
    hsv_map[:, :, 0] = h
    hsv_map[:, :, 1] = s
    hsv_map[:, :, 2] = 255
    hsv_map = cv.cvtColor(hsv_map, cv.COLOR_HSV2BGR)

    # 读取图像road.jpg
    image = cv.imread('../images/sky.jpg')
    # 判断是否读取成功
    if image is None:
        print("Failed to read sky.jpg.")
        sys.exit()
    # 将图片由BGR格式转换成HSV格式
    image_hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)

    # 计算2D直方图
    image_hist = cv.calcHist([image_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
    print('2D直方图计算结果：\n{}'.format(image_hist))
    image_hist = np.clip(image_hist * 0.05, 0, 1)
    result = hsv_map * image_hist[:, :, np.newaxis] / 255.0

    # 展示结果
    cv.imshow('Origin Image', image)
    cv.imshow('Hsv Map', hsv_map)
    cv.imshow('2D Hist', result)
    cv.waitKey(0)
    cv.destroyAllWindows()

运行结果如下图所示。
在这里插入图片描述

3.2 plt.imshow()

类似一维直方图的绘制，Matplotlib库中同样提供了plt.imshow()函数绘制 2D直方图。

#plt.imshow()函数原型
age = plt.imshow(x,
                 cmap=None,
                 norm=None,
                 aspect=None,                           	
                 interpolation=None,
                 alpha=None,
                 vmin=None,
                 vmax=None,
                 origin=None,                 
                 extent=None,
                 filternorm=1,
                 filterrad=4.0,                 
                 resample=None,
                 hold=None,               
                 data=None,
                 **kwargs)

其中各返回值和参数的含义分别为：
x：待绘制2D直方图的图像
camp：将数据映射到指定颜色空间显示
norm：使用camp参数前，将数据归一化至[0, 1]
aspect：控制轴的纵横比，可选参数为equal和auto
interpolation：使用的插值方式，默认值为antialiased
alpha：设置透明度，可以为一个标量或和x具有相同尺寸的数组。当设置为标量时，取值范围为[0, 1]，0表示透明，1表示不透明。设置为数组时，每个值将作用与x的对应位置。
vmin：设置数据范围的下限
vmax：设置数据范围的上限
origin：设置原点位置，可选参数为upper和lower
extent：待填充的边界框的位置
filternorm：滤波器范数，默认值为1
filterrad：滤波器半径，当插值参数为sinc、lanczos或blackman时使用，默认值为4.0
resample：表示是否进行重采样的标志
url：设置创建结果的URL
data：关键字参数，默认不适用

plt.imshow 绘2D直方图示例代码

# -*- coding:utf-8 -*-
import cv2 as cv
from matplotlib import pyplot as plt
import sys


if __name__ == '__main__':
    # 读取图像road.jpg
    image = cv.imread('./images/road.jpg')
    # 判断图片是否读取成功
    if image is None:
        print('Failed to read image.')
        sys.exit()
    # 将图像的颜色空间从BGR转为HSV
    image_hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)
    
    # 计算2D直方图
    image_hist = cv.calcHist([image_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
    # 展示图像及直方图结果
    cv.imshow('Origin Image', image)
    plt.imshow(image_hist, interpolation='nearest')
    plt.show()

    cv.waitKey(0)
    cv.destroyAllWindows()

运行结果如下图所示。
在这里插入图片描述

下一篇将会介绍OpenCV中直方图的常用操作。

Xyzz1223
关注
  • 0
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
opencv学习笔记十七：直方图和直方图均衡化(cv2.calcHist、 cv2.equalizeHist)
耐心的小黑的博客
03-01 1万+
一、计算图像直方图的函数：cv2.calcHist() cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) ->hist imaes:输入的图像 channels:选择图像的通道 mask:掩膜，是一个大小和image一样的np数组，其中把需要处理的部分指定为1，不需要处理的部分指定为0...
使用Python，OpenCV计算图像直方图(cv2.calcHist)
qq_40985985的博客
06-24 5454
使用Python，OpenCV计算图像直方图(cv2.calcHist1. 效果图2. 原理2.1 什么是图像直方图？3. 源码参考 这篇博客将介绍如何使用Python，OpenCV和cv2.calcHist 计算图像直方图。 直方图算机视觉中应用广泛。 使用灰度直方图进行阈值处理； 使用直方图进行白平衡； 使用颜色直方图来跟踪图像中的对象，例如使用 CamShift 算法； 使用颜色直方图作为特征——包括多维的颜色直方图； 使用图像梯度的直方图来形成 HOG 和 SIFT 描述符； 在图像搜索引擎和机器
【OpenCv基础】第四十七讲 一维直方图的绘制
05-14
视频演示：http://www.bilibili996.com/Course?id=2121468000214
OpenCV-基于累计直方图的中值滤波算法
翟天保的博客
05-07 502
OpenCV-基于累计直方图的中值滤波算法
python 灰度直方图_Opencv-Python学习笔记七——图像直方图 calcHist，直方图均衡化equalizeHist...
weixin_39718460的博客
11-23 639
图像直方图直方图是对图像像素的统计分布，它统计了每个像素（0到L-1）的数量。直方图均衡化就是将原始的直方图拉伸，使之均匀分布在全部灰度范围内，从而增强图像的对比度。直方图均衡化的中心思想是把原始图像的的灰度直方图从比较集中的某个区域变成在全部灰度范围内的均匀分布。cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accu...
opencv进阶01-直方图的应用及示例cv2.calcHist()
小海聊智造
08-11 2276
但是，实际上人眼并不能明显感受到像素值的细微差别，所以我们可以将相近的像素值看成同一个像素值，这样就会得到类似于图 13-29 的直方图。如果一幅图像拥有全部可能的灰度级，并且像素值的灰度均匀分布，那么这幅图像就具有高对比度和多变的灰度色调，灰度级丰富且覆盖范围较大。对比图 13-4 与图 13-5，可以看到，归一化直方图与直方图在外观上是一致的，只是 y 轴的标签不同而已。在实际处理中，图像直方图的 x 轴区间一般是[0, 255]，对应的是 8 位位图的 256 个灰度级；
OpenCV-Python(22)：直方图的计算绘制与分析
图灵追幕者博客录
12-30 2201
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。那么到底要怎么做呢？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。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。
OpenCV中使用 cv2.calcHist()-画直方图案例
weixin_43869605的博客
08-28 2725
一、函数介绍 1、cv2.calcHist(images,channels,mask,histSize,ranges)-用于生成图像的频数直方图 参数： images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img] channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0]...
OpenCV-python学习笔记（十三）——直方图处理
weixin_56321457的博客
08-04 2035
OpenCV-python学习笔记（十三）——直方图处理
Opencv学习笔记——直方图与模板匹配
Thousand_drive的博客
05-10 1056
文章目录前言一、直方图二、模板匹配1.引入库2.读入数据总结 前言 一、直方图 二、模板匹配 1.引入库 2.读入数据 总结
计算机视觉——图像直方图绘制和均衡化 计算机视觉.pdf
04-21
计算机视觉——图像直方图绘制和均衡化 本文主要介绍了计算机视觉中图像处理的两个重要概念：图像直方图绘制和图像均衡化。图像直方图是一种统计图形，用于描述图像中的亮度分布。通过绘制直方图，可以了解图像中的...
计算机视觉课后作业1——图像处理基础.pdf
04-21
通过以上内容的学习和实践，我们可以更好地理解和掌握图像处理的基础知识，包括直方图的计算与显示、直方图均衡化的实现、以及高斯滤波的应用。这些技术不仅对于学习计算机视觉非常重要，而且在实际项目中也有着广泛...
python3+opencv 使用灰度直方图来判断图片的亮暗操作
12-17
2. **计算灰度直方图**：通过`cv2.calcHist()`函数计算灰度直方图，该函数需要输入图像、通道数、核函数、灰度级范围等参数。 3. **分析直方图**：遍历直方图，统计低于特定阈值（如40）的像素数量，然后计算这些...
opencv实现画图像的直方图
12-06
OpenCV（Open Source Computer Vision Library）是一个强大的开源库，提供了丰富的功能来处理图像和视频数据，包括绘制直方图。本文将详细介绍如何使用OpenCV在Python中实现对灰度图像和彩色图像的直方图绘制。 ...
【OpenCV-Python】21.OpenCV的二维直方图
每天都在学习的小博主
12-24 2446
21.OpenCV的二维直方图 文章目录前言一、OpenCV中的二维直方图二、Numpy中的二维直方图三、直方图示例1、使用Numpy函数计算直方图2、使用OpenCV函数计算直方图四、OpenCV-Python资源下载总结 前言   只统计像素的灰度值这一特征，可将其成为一维直方图。二维直方图可以统计像素的色相和饱和度，用于查找图像的颜色直方图。 一、OpenCV中的二维直方图   OpenCV仍然使用cv2.calcHist()函数来查找图像的颜色直方图，只是在指定参数时与之前有所区别。   c
OpenCV 图像旋转和平移 数学和代码原理详解
weixin_46999174的博客
07-22 1366
OpenCV 将原始图像旋转平移的原理，以及不同角度旋转之后出现像素缺失问题，重新计算旋转后的图像尺寸得到解决
基于opencv[python]的人脸检测
最新发布
m0_65963495的博客
07-25 1526
从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。
OpenCV 卷积操作 均值，高斯，中值滤波 图片降噪
weixin_46999174的博客
07-23 1428
均值滤波的原理是使用一个固定大小的窗口（卷积核）在图像上滑动，并计算该窗口覆盖区域内所有像素值的平均值，然后用这个平均值替换窗口中心的像素值。中值滤波的基本思想是对图像中的每个像素，用其邻域内所有像素值的中值来替换原像素值。在执行卷积操作时，会使用一个小的矩阵，称为卷积核或滤波器，这个卷积核会与图像的局部区域进行元素乘积求和的运算。卷积核是一个小矩阵，用于在图像上滑动，并在每个位置与图像的对应区域进行加权求和，产生新的像素值。高斯模糊是使用高斯函数定义的卷积核与图像进行卷积来实现的。
import cv2import numpy as npfrom matplotlib import pyplot as plt # 读取图片并转为灰度图像img = cv2.imread("image.jpg", 0) # 计算灰度直方图hist = cv2.calcHist([img], [0], None, [256], [0, 256]) # 显示灰度直方图plt.hist(img.ravel(), 256, [0, 256])plt.show() # 计算二维直方图hsv = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)hist2d = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256]) # 显示二维直方图plt.imshow(hist2d, interpolation="nearest")plt.show()
06-07
然后，使用cv2.calcHist()函数计算灰度直方图和二维直方图。最后，使用matplotlib库中的plt.hist()函数和plt.imshow()函数分别显示灰度直方图和二维直方图。其中，灰度直方图使用一维的256个bin来表示灰度级别的分布...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值