python OpenCV学习笔记（二十一）：绘制直方图

官方文档 – https://docs.opencv.org/3.4.0/d1/db7/tutorial_py_histogram_begins.html

直方图会让你对图像的强度分布有一个全面的认识。它是一个在x轴上带有像素值（从0到255，但不总是），在y轴上的图像中对应的像素数量的图。

这只是理解图像的另一种方式。通过观察图像的直方图，你可以直观地看到图像的对比度、亮度、强度分布等。现在几乎所有的图像处理工具都提供了直方图的特性。下面是剑桥彩色网站的图片，建议去访问这个网站，了解更多细节。



你可以看到图像和它的直方图。（这个直方图是用灰度图像绘制的，而不是彩色图像）。直方图的左边部分显示了图像中较暗像素的数量，右边区域显示了更明亮的像素。从直方图中可以看到，深色区域的像素数量比亮色区域更多，而中间色调的数量(中值大约在127左右)则少得多。

直方图

现在我们已经知道了什么是直方图，我们可以看看如何找到它。OpenCV和Numpy都有内置的功能。在使用这些函数之前，我们需要了解一些与直方图相关的术语。

BINS：上面的直方图显示了每个像素值的像素数，从0到255。您需要256个值来显示以上的直方图。但是，考虑一下，如果您不需要单独查找所有像素值的像素数量，而是在一个像素值区间内的像素数量，该怎么办？例如，你需要找到介于0到15之间的像素数，然后是16到31……240到255。您只需要16个值来表示这个直方图。OpenCV Tutorials on histograms中展示了这个例子。

所以你要做的就是把整个直方图分成16个子部分，每个子部分的值是所有像素数的和。每个子部分都被称为“BIN”。在第一种情况下，BINS的数量是256(每个像素一个)，而在第二种情况下，它只有16个。在OpenCV文档中，用术语 histSize 表示 BINS。

DIMS：它是我们收集数据的参数的个数。在这种情况下，我们收集的数据只有一件事，强度值。所以这里是1。

RANGE：它是你想测量的强度值的范围。通常，它是 [ 0，256 ]，也就是所有的强度值。

OpenCV中直方图的计算

现在我们使用

cv.calcHist()

函数来找到直方图。让我们熟悉一下这个函数及其参数：

cv.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

images：它是uint8类型或float32的源图像。它应该用方括号括起来，也就是”

或者你可以用正常的matplotlib，这对BGR的情节很有帮助。为此，您需要首先找到直方图数据。试试下面的代码：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('home.jpg')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
histr = cv.calcHist(

你可以从上面的图中扣除，蓝色在图像中有一些高值区域(很明显，它应该是由天空引起的)

2、使用OpenCV

这里，你可以调整直方图的值和它的bin值，让它看起来像x，y坐标，这样你就可以用cv.line()或cv.polyline()函数来绘制它，从而生成与上面相同的图像。这已经是OpenCV-Python2官方的样本了。检查sampl/python/hist.py的代码。

应用遮罩
我们用
cv.calcHist()
函数来找一张完整的图片的直方图。但是我们只要图片的一部分的直方图呢？在你想要找到的区域中，创建一个带有白色的遮罩图像。然后把它作为遮罩。

img = cv.imread('home.jpg', 0)

# create a mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv.bitwise_and(img, img, mask=mask)

#Calculate histogram with mask and without mask
Check third argument for mask
hist_full = cv.calcHist(