win10+Python3.7.3+OpenCV3.4.1入门学习（十三 直方图处理）————13.1直方图的含义

Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm

第13章 直方图处理

直方图是图像处理过程中的一种非常重要的分析工具。直方图从图像内部灰度级的角度对图像进行表述，包含十分丰富而重要的信息。从直方图的角度对图像进行处理，可以达到增强图像显示效果的目的。

13.1 直方图的含义

从统计的角度讲，直方图是图像内灰度值的统计特性与图像灰度值之间的函数，直方图统计图像内各个灰度级出现的次数。从直方图的图形上观察，横坐标是图像中各像素点的灰度级，纵坐标是具有该灰度级（像素值）的像素个数。
例如，有一幅图像如下图所示。该图中只有9个像素点，存在1、2、3、4、5，共5个灰度级。

统计各个灰度级出现的次数，如下表所示。

在绘制直方图时，将灰度级作为x轴处理，该灰度级出现的次数作为y轴处理，则可知：
● x轴的数据为x=[1 2 3 4 5]。
● y轴的数据为y=[3 1 2 1 2]。
根据上述关系，可以绘制出如下图所示的折线图（左图）和直方图（右图）一般情况下，我们把左侧的直线图和右侧直方图都称为直方图。

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；y轴对应的是具有相应灰度级的像素点的个数。
例如在下图中，上图是一张图像，下图则是其对应的直方图。图中圆点表示这些像素点会被统计到对应的灰度级上。

虽然8位的图像都具有256个灰度级（每一个像素可以有256个灰度值），但是属于不同灰度级的像素数量是很不一样的。例如下图，从图中可以看出，图像的不同部分直方图是不一样的。

有时为了便于表示，也会采用归一化直方图。在归一化直方图中，x轴仍然表示灰度级；y轴不再表示灰度级出现的次数，而是灰度级出现的频率。
例如，针对上图，统计各个灰度级出现的频率：

灰度级出现的频率=灰度级出现的次数/总像素数

在图中共有9个像素，所以统计结果如下表所示。

在归一化直方图中，各个灰度级出现的频率之和为1。例如，本例中：

在绘制直方图时，将灰度级作为x轴数据处理，将其出现的频率作为y轴数据处理，则可知：
● x轴的数据为x=[1 2 3 4 5]
● y轴的数据为y=[3/9 1/9 2/9 1/9 2/9]

根据上述关系，可以绘制出如下图所示的归一化直方图。对比上图，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。本例中，在直方图内，y轴显示的标签是1、2、3；在归一化直方图中，y轴显示的标签是1/9、2/9、3/9。

在OpenCV的官网上，特别提出了要注意三个概念：DIMS、BINS、RANGE。
● DIMS：表示在绘制直方图时，收集的参数的数量。一般情况下，直方图中收集的数据只有一种，就是灰度级。因此，该值为1。
● RANGE：表示要统计的灰度级范围，一般为[0, 255]。0对应的是黑色，255对应的是白色。
● BINS：参数子集的数目。在处理数据的过程中，有时需要将众多的数据划分为若干个组，再进行分析。
例如，针对上图中的灰度级，你可能希望将两个像素值作为一组讨论。这样，整个灰度级被划分为三组，具体为{ {1,2} , {3,4} , {5} }。下图所示的是划分前后的直方图情况。

也可以按照上述方式对灰度图像进行划分。例如，在灰度图像中，将[0, 255]区间内的256个灰度级，按照每16个像素一组划分为子集：
[0, 255]=[0, 15] ∪ [16, 31] ∪…∪[240, 255]

按照上述方式，整个灰度级范围可以划分为16个子集，具体为：
整个灰度级范围=bin1 ∪ bin2 ∪…∪ bin16

子集划分完以后，某灰度图像生成的直方图如下图所示（图中的b1代表bin1,b2代表bin2，以此类推）。

下面讨论BINS的值：
● 针对上图，在原始图像中，共有5个灰度级，其BINS值为5。在以2个灰度级为一个小组划分子集后，得到3个子集，其BINS值为3。
● 针对灰度图像，灰度级区间为[0, 255]，共有256个灰度级，其BINS值为256；在以16个灰度级为一个小组划分子集后，其BINS值为16。