2D 直方图

2D 直方图

目标
　　本节我们会学习如何绘制 2D 直方图，我们会在下一节中使用到它。

介绍
　　在前面的部分我们介绍了如何绘制一维直方图，之所以称为一维，是因为我们只考虑了图像的一个特征：灰度值。但是在 2D 直方图中我们就要考虑两个图像特征。对于彩色图像的直方图通常情况下我们需要考虑每个的颜色（Hue）和饱和度（Saturation）。根据这两个特征绘制 2D 直方图。
　　OpenCV 的官方文档中包含一个创建彩色直方图的例子。本节就是要和大家一起来学习如何绘制颜色直方图，这会对我们下一节学习直方图投影有所帮助。
　　
OpenCV 中的 2D 直方图
　　使用函数 cv2.calcHist() 来计算直方图既简单又方便。如果要绘制颜色直方图的话，我们首先需要将图像的颜色空间从 BGR 转换到 HSV。（记住，计算一维直方图，要从 BGR 转换到 HSV）。计算 2D 直方图，函数的参数要做如下修改：
　　• channels=[0，1] 因为我们需要同时处理 H 和 S 两个通道。
　　• bins=[180，256]H 通道为 180，S 通道为 256。
　　• range=[0，180，0，256]H 的取值范围在 0 到 180，S 的取值范围在 0 到 256。
代码如下：

# -*- coding: utf-8 -*-
"""
Created on Thu Jan 16 19:37:21 2014
@author: duan
"""
import cv2
import numpy as np
img = cv2.imread('home.jpg')
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])

Numpy 中 2D 直方图
　　 Numpy 同样提供了绘制 2D 直方图的函数：np.histogram2d()。（还记得吗，绘制 1D 直方图时我们使用的是 np.histogram()）。

# -*- coding: utf-8 -*-
"""
Created on Thu Jan 16 19:37:21 2014
@author: duan
"""
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg')
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
hist, xbins, ybins = np.histogram2d(h.ravel(),s.ravel(),[180,256],[[0,180],[0,256]])

第一个参数是 H 通道，第二个参数是 S 通道，第三个参数是 bins 的数目，第四个参数是数值范围。
现在我们要看看如何绘制颜色直方图。

绘制 2D 直方图
方法 1：使用 cv2.imshow() 我们得到结果是一个 180x256 的两维数组。所以我们可以使用函数 cv2.imshow() 来显示它。但是这是一个灰度图，除非我们知道不同颜色 H 通道的值，否则我们根本就不知道那到底代表什么颜色。

方法 2：使用 Matplotlib() 我们还可以使用函数 matplotlib.pyplot.imshow()来绘制 2D 直方图，再搭配上不同的颜色图（color_map）。这样我们会对每个点所代表的数值大小有一个更直观的认识。但是跟前面的问题一样，你还是不知道那个数代表的颜色到底是什么。虽然如此，我还是更喜欢这个方法，它既简单又好用。注意：在使用这个函数时，要记住设置插值参数为 nearest

注意：在使用这个函数时，要记住设置插值参数为 nearest。

代码如下：

# -*- coding: utf-8 -*-
"""
Created on Thu Jan 16 19:37:21 2014
@author: duan
"""
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg')
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
hist = cv2.calcHist( [hsv], [0, 1], None, [180, 256], [0, 180, 0, 256] )
plt.imshow(hist,interpolation = 'nearest')
plt.show()

下面是输入图像和颜色直方图。X 轴显示 S 值，Y 轴显示 H 值。

在直方图中，你可以看到在 H=100，S=100 附近有比较高的值。这部分与天的蓝色相对应。同样另一个峰值在 H=25 和 S=100 附近。这一宫殿的黄色相对应。你可用通过使用图像编辑软件（GIMP）修改图像，然后在绘制直方图看看我说的对不对。

方法 3：OpenCV 风格 在官方文档中有一个关于颜色直方图的例子。运行一下这个代码，你看到的颜色直方图也显示了对应的颜色。简单来说就是：输出结果是一副由颜色编码的直方图。效果非常好（虽然要添加很多代码）。

在那个代码中，作者首先创建了一个 HSV 格式的颜色地图，然后把它转换成 BGR 格式。再将得到的直方图与颜色直方图相乘。作者还用了几步来去除小的孤立的的点，从而得到了一个好的直方图。

我把对代码的分析留给你们了，自己去玩一下把。下边是对上边的图运行这段代码之后得到的结果：

　　从直方图中我们可以很清楚的看出它们代表的颜色，蓝色，换色，还有棋盘带来的白色，漂亮！！！
　　练习

# -*- coding: utf-8 -*-
#!/usr/bin/env python
import numpy as np
import cv2
from time import clock
import sys
import video
#video 模块也是 opencv 官方文档中自带的
if __name__ == '__main__': # 构建 HSV 颜色地图
hsv_map = np.zeros((180, 256, 3), np.uint8)
# np.indices 可以返回由数组索引构建的新数组。
# 例如：np.indices（（3,2））；其中（3,2）为原来数组的维度：行和列。
# 返回值首先看输入的参数有几维：（3,2）有 2 维，所以从输出的结果应该是
# [[a],[b]], 其中包含两个 3 行，2 列数组。
# 第二看每一维的大小，第一维为 3, 所以 a 中的值就 0 到 2（最大索引数），
# a 中的每一个值就是它的行索引；同样的方法得到 b（列索引）
# 结果就是
# array([[[0, 0],
# [1, 1],
# [2, 2]],
## [[0, 1],
# [0, 1],
# [0, 1]]])
h, s = np.indices(hsv_map.shape[:2])
hsv_map[:,:,0] = h
hsv_map[:,:,1] = s
hsv_map[:,:,2] = 255
hsv_map = cv2.cvtColor(hsv_map, cv2.COLOR_HSV2BGR)
cv2.imshow('hsv_map', hsv_map)
cv2.namedWindow('hist', 0)
hist_scale = 10
def set_scale(val):
global hist_scale
hist_scale = val
cv2.createTrackbar('scale', 'hist', hist_scale, 32, set_scale)
try: fn = sys.argv[1]
except: fn = 0
cam = video.create_capture(fn, fallback='synth:bg=../cpp/baboon.jpg:class=chess:noise=0.05')


while True:
flag, frame = cam.read()
cv2.imshow('camera', frame)
# 图像金字塔
# 通过图像金字塔降低分辨率，但不会对直方图有太大影响。
# 但这种低分辨率，可以很好抑制噪声，从而去除孤立的小点对直方图的影响。
small = cv2.pyrDown(frame)
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
# 取 v 通道 (亮度) 的值。
# 没有用过这种写法，还是改用最常见的用法。
#dark = hsv[...,2] < 32
# 此步操作得到的是一个布尔矩阵，小于 32 的为真，大于 32 的为假。
dark = hsv[:,:,2] < 32
hsv[dark] = 0 h = cv2.calcHist( [hsv], [0, 1], None, [180, 256], [0, 180, 0, 256] )
#numpy.clip(a, a_min, a_max, out=None)[source]
#Given an interval, values outside the interval are clipped to the interval edges.
#For example, if an interval of [0, 1] is specified, values smaller
#than 0 become 0, and values larger than 1 become 1.
#>>> a = np.arange(10)
#>>> np.clip(a, 1, 8)
#array([1, 1, 2, 3, 4, 5, 6, 7, 8, 8])
h = np.clip(h*0.005*hist_scale, 0, 1)
#In numpy one can use the 'newaxis' object in the slicing syntax to create an
#axis of length one. one can also use None instead of newaxis,
#the effect is exactly the same
#h 从一维变成 3 维
vis = hsv_map*h[:,:,np.newaxis] / 255.0
cv2.imshow('hist', vis)
ch = 0xFF & cv2.waitKey(1)
if ch == 27:
break
cv2.destroyAllWindows()