Python+OpenCV：直方图(Histograms)

Python+OpenCV：直方图(Histograms)

理论

什么是直方图?您可以将直方图看作是一种图形或图表，它为您提供关于图像强度分布的总体概念。它是x轴为像素值(范围从0到255，不总是这样)，y轴为图像中相应像素个数的图形。

这只是理解图像的另一种方式。通过观察一幅图像的直方图，你可以对该图像的对比度、亮度、强度分布等有直观的认识。现在几乎所有的图像处理工具都提供了直方图的特性。

你可以看到图像和它的直方图。(记住，此直方图是绘制灰度图像，而不是彩色图像)。

直方图的左边区域表示图像中较暗像素的数量，右边区域表示较亮像素的数量。

从直方图中，你可以看到暗区比亮区多，而中间色调(像素值在中间，比如127左右)的数量非常少。

获得直方图

现在我们知道了直方图是什么，我们可以看看如何获得它。

OpenCV和Numpy都内置了这个功能。在使用这些函数之前，我们需要了解与直方图相关的一些术语。

BINS: 上面的直方图显示了每个像素值的像素数量，即从0到255。也就是说，你需要256个值来显示上面的直方图。

但是考虑一下，如果您不需要分别查找所有像素值的像素数量，而是查找像素值区间内的像素数量，那会怎么样呢?例如，你需要找到介于0到15，然后16到31之间的像素数量，……， 240至255。

您将只需要16个值来表示直方图。这就是OpenCV教程中给出的关于直方图的例子。

所以你要做的就是简单地把整个直方图分成16个子部分，每个子部分的值就是其中所有像素计数的总和。

这每一个子部分称为“BIN”。在第一种情况下，BINS的数量为256(每个像素一个箱子)，而在第二种情况下，只有16个BINS。在OpenCV文档中，bin由histSize术语表示。

DIMS: 它是我们收集数据的参数的数量。在本例中，我们只收集关于一个东西的数据，即强度值。这里是1。

RANGE: 这是你想要测量的强度值的范围。通常，它是[0,256]，即所有强度值。

示例

####################################################################################################
# 图像直方图(Image Histograms)
def lmc_cv_image_histograms():
    """
        函数功能: 图像直方图。
    """

    # 读取图像
    image = lmc_cv.imread('D:/99-Research/Python/Image/Rock.jpg')

    # 图像直方图(Image Histograms)
    x = range(256)
    hist1 = lmc_cv.calcHist([image], [0], None, [256], [0, 256])
    hist2, bins2 = np.histogram(image.ravel(), 256, [0, 256])

    # 创建窗口
    pyplot.figure('Image Display 1')
    titles = ['Original Image', 'Histogram in OpenCV', 'Histogram in Numpy']
    # 显示原始图像
    pyplot.subplot(1, 3, 1)
    pyplot.imshow(image, 'gray')
    pyplot.title(titles[0])
    pyplot.xticks([])
    pyplot.yticks([])
    # 显示直方图
    pyplot.subplot(1, 3, 2)
    pyplot.plot(x, hist1)
    pyplot.title(titles[1])
    # pyplot.xticks([])
    # pyplot.yticks([])
    pyplot.subplot(1, 3, 3)
    pyplot.plot(x, hist2)
    pyplot.title(titles[2])
    # pyplot.xticks([])
    # pyplot.yticks([])
    # pyplot.axis('on')
    # 显示窗口
    pyplot.show()

    # 显示彩色图像各个通道的直方图
    image = lmc_cv.imread('D:/99-Research/Python/Image/Lena.jpg')
    image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2RGB)

    # create a mask
    mask = np.zeros(image.shape[:2], np.uint8)
    mask[100:300, 100:400] = 255
    masked_image = lmc_cv.bitwise_and(image, image, mask=mask)

    color = ('r', 'g', 'b')
    pyplot.figure('Image Display 2')
    # 显示原始图像
    pyplot.subplot(2, 2, 1)
    pyplot.imshow(image, 'gray')
    pyplot.title(titles[0])
    pyplot.xticks([])
    pyplot.yticks([])
    # 显示原始图像直方图
    pyplot.subplot(2, 2, 2)
    for i, col in enumerate(color):
        histr = lmc_cv.calcHist([image], [i], None, [256], [0, 256])
        pyplot.plot(histr, color=col)
        pyplot.xlim([0, 256])
        pyplot.title('R/G/B Histogram')
    # 显示掩模图像
    pyplot.subplot(2, 2, 3)
    pyplot.imshow(masked_image, 'gray')
    pyplot.title('Mask Image')
    pyplot.xticks([])
    pyplot.yticks([])
    # 显示掩模图像直方图
    pyplot.subplot(2, 2, 4)
    for i, col in enumerate(color):
        histr = lmc_cv.calcHist([image], [i], mask, [256], [0, 256])
        pyplot.plot(histr, color=col)
        pyplot.xlim([0, 256])
        pyplot.title('Mask R/G/B Histogram')
    pyplot.show()

    # 根据用户输入保存图像
    if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
        # 销毁窗口
        pyplot.close()
    return