这篇文章给大家介绍了“用Python如何实现多种样式的直方图统计效果”的相关知识，讲解详细，步骤过程清晰，有一定的借鉴学习价值，因此分享给大家做个参考，感兴趣的朋友接下来一起跟随小编看看吧。

1. 直方图概述

（1）基本概念

直方图就是对图像的另外一种解释，它描述了整幅图像的灰度分布。直方图的 x 轴代表灰度值（0~255），y 轴代表图片中同一种灰度值的像素点的数目，所以通过直方图我们可以对图像的亮度、灰度分布、对比度等有了一个直观的认识

（2）直方图中的术语

BINS

前面说到，直方图中的 x 轴表示的是灰度值，一幅灰度图的灰度等级有 256 级，所以我们是否需要将每一个等级标注在一条轴上呢？或者如果我们需要的不是每一个灰度值的分布，而是一个范围内的灰度分布呢？所以我们将每一个需要的灰度值范围称为一个 BIN，即所有的灰度等级被分为几个小组，每一个小组是一个 BIN

DIMS

代表的是我们收集的图像的参数的数目，直方图我们如果只收集灰度值一个参数，那么该参数的值就是1

RANGE

代表统计的灰度值的范围，一般的范围是[0-255]

2. 直方图绘制

（1）读取图像信息

在计算机视觉系列的文章中第一件事就是读取图像信息：

"""
Author:XiaoMa
date:2021/10/24
"""
#调用需要的包
import cv2
import matplotlib.pyplot as plt
 
img0 = cv2.imread('E:\From Zhihu\For the desk\cvseven.jpeg')
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)     #转化为灰度图
h, w = img1.shape[:2]
print(h, w)
cv2.namedWindow("W0")
cv2.imshow("W0", img1)
cv2.waitKey(delay = 0)

图像信息如下：

419 636 

（2）绘制直方图

绘制直方图使用的函数如下：

hist = cv2.calcHist(images, channels, mask, histSize, ranges, accumulate)

images:原图

channels:指定通道 [0]代表灰度图，如果读入的图像不是灰度图，该值可以是[0],[1],[2]分别代表通道 B,G,R

mask:掩码图像，进行整张图的绘制时为 None

histSize:BIN 的数量

ranges:像素值范围

accumulate:累计标识，一般可以省略

灰度图的直方图 

#绘制直方图
hist = cv2.calcHist([img1], [0], None, [256], [0, 255])
plt.plot(hist, color = 'lime', label = '直方图', linestyle = '--')
plt.legend()
plt.savefig('E:\From Zhihu\For the desk\cvseven1.jpeg')
plt.show()

可以看出这幅灰度图中亮度较高的像素点还是占多数的，即整体亮度较高

彩色图直方图

读入彩色图像，并对某一个通道进行直方图绘制

"""
Author:XiaoMa
date:2021/10/24
"""
#调用需要的包
import cv2
import matplotlib.pyplot as plt
 
plt.rcParams['font.family'] = 'SimHei'       #将全局中文字体改为黑体
 
img0 = cv2.imread('E:\From Zhihu\For the desk\cvseven.jpeg')
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)
h, w = img1.shape[:2]
print(h, w)
cv2.namedWindow("W0")
cv2.imshow("W0", img0)
cv2.waitKey(delay = 0)
 
#绘制直方图
hist = cv2.calcHist([img0], [0], None, [256], [0, 255])
plt.plot(hist, color = 'lime', label = '蓝色通道直方图', linestyle = '--', alpha = 1)
plt.legend()
plt.savefig('E:\From Zhihu\For the desk\cvseven1.jpeg')
plt.show()

上图就是对蓝色通道绘制的直方图 

3. 掩膜直方图

（1）基本概念

如果我们不需要整幅图像中的直方图，而是某个区域的直方图，我们只需要绘制一幅图，将需要统计的部分设置为白色，不需要统计的部分设置为黑色，就构成了一幅掩膜图像

（2）实现代码

得到掩模图

##得到掩膜图
mask = np.zeros(img0.shape, np.uint8)    #将每一个像素点设置为0，就是黑色
mask[109:309, 212:412] = 255             #选取特定区域设置为白色
img0_1 = cv2.bitwise_and(img0, mask)     #图像与操作得到掩膜图
cv2.namedWindow("W1")
cv2.imshow("W1", img0_1)
cv2.waitKey(delay = 0)

绘制掩膜直方图 

#绘制掩膜直方图
##得到掩膜图
mask = np.zeros(img1.shape, np.uint8)    #将每一个像素点设置为0，就是黑色
mask[109:309, 212:412] = 255             #选取特定区域设置为白色
img1_1 = cv2.bitwise_and(img1, mask)     #图像与操作得到掩膜图
cv2.namedWindow("W1")
cv2.imshow("W1", img1_1)
cv2.waitKey(delay = 0)
##绘制掩膜直方图和部分图像直方图
hist1 = cv2.calcHist([img1], [0], mask, [256], [0, 255])         #掩膜图直方图，参数需要修改
hist2 = cv2.calcHist([img1], [0], None, [256], [0,255])
plt.plot(hist1, color = 'b', label = '掩膜直方图', linestyle = '--')
plt.plot(hist2, color = 'r', label = '原图直方图', linestyle = '-.')
plt.legend()
plt.savefig('E:\From Zhihu\For the desk\cvseven2.jpeg')
plt.show()

得到的图像如下：

4. H-S 直方图

（1）基本概念

 H(Hue) - S(Saturation) 直方图，即色调 - 饱和度直方图

绘制该直方图需要将源RGB图像转化到 HSV （色调、饱和度、亮度）颜色空间中去

img0_2 = cv2.cvtColor(img0, cv2.COLOR_BGR2HSV) #将 RGB 空间转化为 HSV 空间
cv2.namedWindow("W2")
cv2.imshow("W2", img0_2)
cv2.waitKey(delay = 0)

（2）绘制二维H-S直方图

此处参考：OpenCV 官网

##绘制H-S直方图
hist3 = cv2.calcHist ([img0_2], [0, 1], None , [180, 256], [0, 180, 0, 256])#官网给出的解释：channel = [0,1] 因为我们需要同时处理 H 和 S 平面；bins = [180,256] H 平面为 180，S 平面为 256；range = [0,180,0,256] 色调值介于 0 和 180 之间，饱和度介于 0 和 256 之间
plt.imshow(hist3)
plt.savefig('E:\From Zhihu\For the desk\cvseven3.jpeg')
plt.show()

得到的图像如下：

上图中的 X 轴代表S（饱和度），Y轴代表H（色调） 

该图中的峰值主要分布在 S 在（0-50）之间 H在（20-80），至于为什么峰值较少，个人猜测是由于原图中的色彩变化不明显，导致没办法绘制出过多过明显的峰值

这篇关于“用Python如何实现多种样式的直方图统计效果”的文章就介绍到这了,更多相关的内容，欢迎关注群英网络，小编将为大家输出更多高质量的实用文章！