直方图是图像处理过程中的一种非常重要的分析工具。 是图像内灰度值的统计特性与灰度值之间的函数，直方图统计图像内各个
灰度级出现的次数
需要注意三个概念：
DIMS : 表示绘制直方图时，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 ：表示统计的灰度级的范围，一般为[0 . 255] . 0对应的时黑色，255对应的时白色
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，在进行分析
该图中，BINS为6,RANGE为[2,6]
python 的模块matplotlib.pyplot中的hist()函数能方便的绘制直方图，
函数形式为
matplotlib.pyplot.hist( x , BINS)
x,为数据源 ，必须是一维的，图像通常都是二维的， 可以通过函数ravel()来将二维数组降成一维的
例如：图像x
| 23 | 34 | 14 |
| 54 | 63 | 23 |
| 45 | 25 | 76 |
对其使用函数ravel()
y = x.ravel()
得到y为：
| 23 | 34 | 14 | 54 | 63 | 23 | 45 | 25 | 76 |
BINS为灰度级的分组情况
绘制图像的直方图
1 import cv2
2 import matplotlib.pyplot as plt
3 o = cv2.imread("/home/miao/dog.jpg")
4 cv2.imshow("original" , o)
5 plt.hist(o.ravel() , 256)
6 cv2.waitKey()
7 cv2.destroyAllWindows()
8 plt.show()
这里要有函数plt.show()才会显示出直方图
图像
直方图
将灰度级划分为16个子集
opencv提供了函数,cv2.calcHist() 用来计算图像的统计直方图，
函数形式：
hist = cv2.calcHist( images , channels , mask , histSize , ranges , accumulate)
hist 返回统计直方图，是一个一维数组，数组内的元素时各个灰度级的个数
images 原始图像 需要用 [ ] 括起来
channels 指定通道编号， 也需要用[ ] 括起来，灰度图像即为 [ 0 ] , 对于彩色图像即为 [ 0 ] [ 1 ] [ 2 ] 对应的即为 B G R 通道
mask掩模图像， 不需要时 则设置为None
histSize BINS值需要用[ ] 括起来
ranges像素值范围， 例如8位灰度图像范围为 [ 0 , 256 ]
accumulate 累计默认值为False ， 如果设置为True时， 计算的是多个直方图的累计结果
plot()函数绘制图像的直方图
color = 'b' 表示曲线是蓝色的 color = ' g' 表示曲线为绿色 color = 'r'表示曲线为红色
1 import cv2
2 import matplotlib.pyplot as plt
3 o = cv2.imread("/home/miao/dog.jpg")
4 histb = cv2.calcHist([o] , [0] , None , [256] , [0,255])
5 print(type[histb])
6 print(histb.shape)
7 peitn(histb.size)
8 plt.plot(histb , color = 'b')
9 plt.show()
<class 'numpy.ndarray'> (256, 1) 256
返回类型为ndarray
数据为256列 1行
有256个元素
使用掩模绘制直方图
1 import cv2
2 import numpy as np
3 import matplotlib.pyplot as plt
4 image = cv2.imread("/home/miao/dog.jpg" , cv2.IMREAD_GRAYSCALE)
5 mask = np.zeros( image.shape , np.uint8)
6 mask[100:200 , 50:150] = 255
7 histImage = cv2.calcHist([image] , [0] , None , [256] , [0,255] )
8 histMi = cv2.calcHist( [image] , [0] , mask , [256] , [0,255])
9 plt.plot(histImage)
10 plt.plot(histMi)
11 plt.show()
掩模之前有描述过就不再多说
直方图的均衡化
目地主要是将原始图像的灰度级均匀的映射到整个灰度级范围内，得到一个灰度级均匀的图像
实现方法为，将该灰度级出来的概率累计之前灰度级的概率之和 ，然后乘以最大灰度值，所得即为均衡化图像
1 import cv2
2 import matplotlib.pyplot as plt
3 img = cv2.imread("/home/miao/dog.jpg" , cv2.IMREAD_GRAYSCALE)
4 equ = cv2.equalizeHist(img)
5 cv2.imshow("original" , img)
6 cv2.imshow("result" , equ)
7 plt.figure("原始图像直方图")
8 plt.hist(img.ravel() , 256)
9 plt.figure("均衡化结果直方图")
10 plt.hist(equ.ravel() , 256)
11 plt.show()
12 cv2.waitKey()
13 cv2.destroyAllWindows()
原图
直方图均衡化处理
原始图像直方图
均衡化结果直方图
可以看出原图左侧比较密集整体较高 ， 在均衡化处理之后 左侧变得稀疏 ，右侧密集 ， 整体来看是比较均衡的
函数matplotlib.pyplot.subplot( nrows , ncols , index)
例如：subplot(2,3,5) 表示在 两行三列的窗口上在第4个位置上，添加一个子窗口 。 窗口的序号是从1开始的
1 import cv2
2 import matplotlib.pyplot as plt
3 img = cv2.imread("/home/miao/dog.jpg" , cv2.IMREAD_GRAYSCALE)
4 equ = cv2.equalizeHist(img)
5 plt.figure("subplot")
6 plt.subplot(121) , plt.hist(img.ravel() , 256)
7 plt.subplot(122) , plt.hist(equ.ravel() , 256)
8 plt.show()
matplotlib.pyplot.imshow( X , cmap = None )
X为图像信息，可以是各种形式的值
cmap表示色彩空间，默认为None ， 默认使用RGB(A)色彩空间
1 import cv2
2 import matplotlib.pyplot as plt
3 import pylab
4 img = cv2.imread("/home/miao/dog.jpg")
5 imgRGB = cv2.cvtColor(img , cv2.COLOR_BGR2RGB)
6 plt.figure("显示结果")
7 plt.subplot(121)
8 plt.imshow(img) , plt.axis('off')
9 plt.subplot(122)
10 plt.imshow(imgRGB) , plt.axis('off')
11 pylab.show()
plt.axis('off')是关闭坐标轴的显示
可以看到左侧直接使用默认参数色彩空间模式显示是不正常的，因为图像读取时时按BGR通道读取的，
而该函数时按RGB通道显示的， 需要通过函数改变通道顺序 则可以正常显示。
没有pylab模块是不会显示的，具体原因，还未查找
来源：https://www.cnblogs.com/miaorn/p/12284489.html