直方图的计算，绘制与分析

直方图的计算，绘制与分析

目标
　• 使用 OpenCV 或 Numpy 函数计算直方图
　• 使用 Opencv 或者 Matplotlib 函数绘制直方图
　• 将要学习的函数有：cv2.calcHist()，np.histogram()
　
原理
　　什么是直方图呢？通过直方图你可以对整幅图像的灰度分布有一个整体的了解。直方图的 x 轴是灰度值（0 到 255），y 轴是图片中具有同一个灰度值的点的数目。
　　
　　直方图其实就是对图像的另一种解释。一下图为例，通过直方图我们可以对图像的对比度，亮度，灰度分布等有一个直观的认识。几乎所有的图像处理软件都提供了直方图分析功能。下图来自Cambridge in Color website，强烈推荐你到这个网站了解更多知识。

　　让我们来一起看看这幅图片和它的直方图吧。（要记住，直方图是根据灰度图像绘制的，而不是彩色图像）。直方图的左边区域像是了暗一点的像素数量，右侧显示了亮一点的像素的数量。从这幅图上你可以看到灰暗的区域比两的区域要大，而处于中间部分的像素点很少。
　　
统计直方图
　　现在我们知道什么是直方图了，那怎样获得一副图像的直方图呢？OpenCV 和 Numpy 都有内置函数做这件事。在使用这些函数之前我们有必要想了解一下直方图相关的术语。
　　BINS：上面的直方图显示了每个灰度值对应的像素数。如果像素值为 0 到 255，你就需要 256 个数来显示上面的直方图。但是，如果你不需要知道每一个像素值的像素点数目的，而只希望知道两个像素值之间的像素点数目怎么办呢？举例来说，我们想知道像素值在 0 到 15 之间的像素点的数目，接着是 16 到 31,…，240 到 255。我们只需要 16 个值来绘制直方图。OpenCV　Tutorials on histograms中例子所演示的内容。
　　那到底怎么做呢？你只需要把原来的 256 个值等分成 16 小组，取每组的总和。而这里的每一个小组就被成为 BIN。第一个例子中有 256 个 BIN，第二个例子中有 16 个 BIN。在 OpenCV 的文档中用 histSize 表示 BINS。
　　
　　DIMS：表示我们收集数据的参数数目。在本例中，我们对收集到的数据只考虑一件事：灰度值。所以这里就是 1。
　　RANGE：就是要统计的灰度值范围，一般来说为 [0，256]，也就是说所有的灰度值。
　　
使用 OpenCV 统计直方图 函数 cv2.calcHist 可以帮助我们统计一幅图像
的直方图。我们一起来熟悉一下这个函数和它的参数：
cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

1. images: 原图像（图像格式为 uint8 或 float32）。当传入函数时应该用中括号 [] 括起来，例如：[img]。
2. channels: 同样需要用中括号括起来，它会告诉函数我们要统计那幅图像的直方图。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。
3. mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。（后边有例子）
4. histSize:BIN 的数目。也应该用中括号括起来，例如：[256]。
5. ranges: 像素值范围，通常为 [0，256]

让我们从一副简单图像开始吧。以灰度格式加载一幅图像并统计图像的直方图。

img = cv2.imread('home.jpg',0) 
# 别忘了中括号 [img],[0],None,[256],[0,256]，只有 mask 没有中括号
hist = cv2.calcHist([img],[0],None,[256],[0,256])
1
2
3

hist 是一个 256x1 的数组，每一个值代表了与次灰度值对应的像素点数目。
　　使用 Numpy 统计直方图 Numpy 中的函数 np.histogram() 也可以帮我们统计直方图。你也可以尝试一下下面的代码：

#img.ravel() 将图像转成一维数组，这里没有中括号。
hist,bins = np.histogram(img.ravel(),256,[0,256])
1
2

hist 与上面计算的一样。但是这里的 bins 是 257，因为 Numpy 计算bins 的方式为：0-0.99,1-1.99,2-2.99 等。所以最后一个范围是 255-255.99。为了表示它，所以在 bins 的结尾加上了 256。但是我们不需要 256，到 255就够了。

其 他：Numpy 还 有 一 个 函 数 np.bincount()， 它 的 运 行 速 度 是np.histgram 的 十 倍。 所 以 对 于 一 维 直 方 图， 我 们 最 好 使 用 这 个函 数。 使 用 np.bincount 时 别 忘 了 设 置minlength=256。 例 如，hist=np.bincount(img.ravel()，minlength=256)

注意：OpenCV 的函数要比 np.histgram() 快 40 倍。所以坚持使用 OpenCV 函数。

现在是时候学习绘制直方图了。

绘制直方图

有两种方法来绘制直方图：

1. Short Way（简单方法）：使用 Matplotlib 中的绘图函数。
2. Long Way（复杂方法）：使用 OpenCV 绘图函数

使用 Matplotlib Matplotlib 中有直方图绘制函数：matplotlib.pyplot.hist()
它可以直接统计并绘制直方图。你应该使用函数 calcHist() 或 np.histogram()统计直方图。代码如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg',0)
plt.hist(img.ravel(),256,[0,256]);
plt.show()
1
2
3
4
5
6

你会得到下面这样一幅图：

　　或者你可以只使用 matplotlib 的绘图功能，这在同时绘制多通道（BGR）的直方图，很有用。但是你首先要告诉绘图函数你的直方图数据在哪里。运行一下下面的代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('home.jpg')
color = ('b','g','r') # 对一个列表或数组既要遍历索引又要遍历元素时
# 使用内置 enumerrate 函数会有更加直接，优美的做法
#enumerate 会将数组或列表组成一个索引序列。
# 使我们再获取索引和索引内容的时候更加方便
for i,col in enumerate(color):
histr = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

结果：

　　从上边的直方图你可以推断出蓝色曲线靠右侧的最多（很明显这些就是天空）
　　使用 OpenCV 　使用 OpenCV 自带函数绘制直方图比较麻烦，这里不作介绍，有兴趣可以自己研究。可以参考 OpenCV-Python2 的官方示例。
　　
　　使用掩模
　　要统计图像某个局部区域的直方图只需要构建一副掩模图像。将要统计的部分设置成白色，其余部分为黑色，就构成了一副掩模图像。然后把这个掩模图像传给函数就可以了。

img = cv2.imread('home.jpg',0)
# create a mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv2.bitwise_and(img,img,mask = mask)
# Calculate histogram with mask and without mask
# Check third argument for mask
hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

结果如下，其中蓝线是整幅图像的直方图，绿线是进行掩模之后的直方图。