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

---

直方圖會讓你對圖像的強度分布有一個全面的認識。它是一個在x軸上帶有像素值（從0到255，但不總是），在y軸上的圖像中對應的像素數量的圖。
這只是理解圖像的另一種方式。通過觀察圖像的直方圖，你可以直觀地看到圖像的對比度、亮度、強度分布等。現在幾乎所有的圖像處理工具都提供了直方圖的特性。下面是劍橋彩色網站的圖片，建議去訪問這個網站，了解更多細節。

你可以看到圖像和它的直方圖。（這個直方圖是用灰度圖像繪制的，而不是彩色圖像）。直方圖的左邊部分顯示了圖像中較暗像素的數量，右邊區域顯示了更明亮的像素。從直方圖中可以看到，深色區域的像素數量比亮色區域更多，而中間色調的數量(中值大約在127左右)則少得多。

直方圖

現在我們已經知道了什么是直方圖，我們可以看看如何找到它。OpenCV和Numpy都有內置的功能。在使用這些函數之前，我們需要了解一些與直方圖相關的術語。

BINS：上面的直方圖顯示了每個像素值的像素數，從0到255。您需要256個值來顯示以上的直方圖。但是，考慮一下，如果您不需要單獨查找所有像素值的像素數量，而是在一個像素值區間內的像素數量，該怎么辦？例如，你需要找到介于0到15之間的像素數，然后是16到31……240到255。您只需要16個值來表示這個直方圖。OpenCV Tutorials on histograms中展示了這個例子。
所以你要做的就是把整個直方圖分成16個子部分，每個子部分的值是所有像素數的和。每個子部分都被稱為“BIN”。在第一種情況下，BINS的數量是256(每個像素一個)，而在第二種情況下，它只有16個。在OpenCV文檔中，用術語 histSize 表示 BINS。

DIMS：它是我們收集數據的參數的個數。在這種情況下，我們收集的數據只有一件事，強度值。所以這里是1。

RANGE：它是你想測量的強度值的范圍。通常，它是 [ 0，256 ]，也就是所有的強度值。

OpenCV中直方圖的計算

現在我們使用cv.calcHist()函數來找到直方圖。讓我們熟悉一下這個函數及其參數：
cv.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])
images：它是uint8類型或float32的源圖像。它應該用方括號括起來，也就是”[img]”。
channels：它也用方括號括起來。它是我們計算直方圖的信道的索引。例如，如果輸入是灰度圖像，它的值是0。對于顏色圖像，您可以通過0、1或2來分別計算藍色、綠色或紅色通道的直方圖。
mask：遮罩圖。為了找到完整圖像的直方圖，它被指定為“None”。但如果你想找到圖像的特定區域的直方圖，你必須為它創建一個遮罩圖，并將其作為遮罩。
histSize：這代表了我們的BINS數。需要用方括號來表示。在整個范圍內，我們通過了256。
ranges：強度值范圍，通常是 [ 0，256 ]

讓我們從一個樣本圖像開始。只需在灰度模式下加載圖像并找到其完整的直方圖。

img = cv.imread('home.jpg', 0)
hist = cv.calcHist([img], [0], None, [256], [0,256])

hist是一個256x1陣列，每個值對應于該圖像中的像素值及其對應的像素值。

Numpy中直方圖的計算

Numpy中提供了np.histogram()方法

hist, bins = np.histogram(img.ravel(), 356, [0,256])

hist和之前計算的一樣。但是bins有257個元素，因為Numpy計算bins是以0-0.99,1-1.99等，所以最后一個是255-255.99。為了表示這一點，他們還在bins的末端添加了256。但我們不需要256。到255就足夠了。

Numpy還有另一個函數，np.bincount()，比np.histograme()要快得多(大約10X)。對于一維直方圖，你可以試一下。不要忘記在np.bincount中設置minlength=256。例如，hist=np.bincount(img.ravel()，minlength=256)

OpenCV函數比np.histogram()快（大約40X）。所以堅持用OpenCV函數。

繪制直方圖

1、使用Matplotlib

Matplotlib有一個繪制直方圖的函數：matplotlib.pyplot.hist()
它直接找到了直方圖并繪制了它。您不需要使用calcHist()或np.histogram()函數來找到直方圖。看下面的代碼：

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

img = cv.imread('home.jpg', 0)
plt.hist(img.ravel(), 256, [0,256])
plt.show()

或者你可以用正常的matplotlib，這對BGR的情節很有幫助。為此，您需要首先找到直方圖數據。試試下面的代碼：

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([img], [i], None, [256], [0,256])
    plt.plot(histr, color=col)
    plt.xlim([0,256])
plt.show()

你可以從上面的圖中扣除，藍色在圖像中有一些高值區域(很明顯，它應該是由天空引起的)

2、使用OpenCV

這里，你可以調整直方圖的值和它的bin值，讓它看起來像x，y坐標，這樣你就可以用cv.line()或cv.polyline()函數來繪制它，從而生成與上面相同的圖像。這已經是OpenCV-Python2官方的樣本了。檢查sampl/python/hist.py的代碼。

應用遮罩

我們用cv.calcHist()函數來找一張完整的圖片的直方圖。但是我們只要圖片的一部分的直方圖呢？在你想要找到的區域中，創建一個帶有白色的遮罩圖像。然后把它作為遮罩。

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([img], [0], None, [256], [0,256])
hist_mask = cv.calcHist([img], [0], mask, [256], [0,256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask,'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0,256])

plt.show()

藍線表示完整圖片的直方圖
綠線表示遮罩之后的直方圖