这篇“python OpenCV图像直方图如何处理”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“python OpenCV图像直方图如何处理”文章吧。
1.图像直方图基本含义和绘制
首先我们先要了解一下python三大剑客之一——matplotlib
我们都知道matlab作为一个工具是公认的绘图牛，但是我想说的是python下的matplotlib这个超级剑客也是非常厉害的，因为python近年来才火热起来，所以热度没有matlib高，但是matlib可以实现的功能作为python都是差不多可以实现的。
我们回归正题，先来介绍下matplotlib怎么简单的画一个直方图。
import numpy as npimport matplotlib.pyplot as pltx=np.arange(0,5,0.1)y=np.sim(x)plt.plot(x,y)简单的不能再简单了吧，我们使用它去绘制一个sin（x）的函数图像。
那么matplotlib如何和CV一起工作呢？
import cv2import matplotlib.pyplot as plto=cv2.imread("image\\boatGray.bmp")histb = cv2.calcHist([o],[0],None,[256],[0,255])plt.plot(histb,color='b')plt.show()结果是（也很好理解吧）：
针对于彩色图像我们也可以针对BGR分别作图。
import cv2import matplotlib.pyplot as plto=cv2.imread("image\\girl.bmp")histb = cv2.calcHist([o],[0],None,[256],[0,255])histg = cv2.calcHist([o],[1],None,[256],[0,255])histr = cv2.calcHist([o],[2],None,[256],[0,255])plt.plot(histb,color='b')plt.plot(histg,color='g')plt.plot(histr,color='r')plt.show()
直方图的绘制我们使用的函数还有：函数hist
功能：根据数据源和像素级绘制直方图。
语法： hist(数据源，像素级）
数据源：图像，必须是一维数组。
像素级：一般是256，指[0,255]
功能：将多维数组降为一维数组。格式：一维数组=多维数组.ravel()
import cv2import matplotlib.pyplot as plto=cv2.imread("image\\boat.jpg")cv2.imshow("o",o)cv2.waitKey()cv2.destroyAllWindows()plt.hist(o.ravel(),256)
2.OpenCV统计直方图并绘制
使用OpenCV对图像进行绘制的和横坐标表示像素值比如[0,255]，纵坐标表示像素值的个数。
绘制函数：
hist = cv2.calcHist( images, channels, mask, histSize, ranges, accumulate )其中，hist返回结果是一个直方图，返回的直方图，是一个二维数组。
image原始图像：图像需要使用“[ ]”括起来使用。
channels：
通道编号需要用中括号括起来输入图像是灰度图时，它的值是[0]；彩色图像可以是[0]，[1]，[2]。分别对应通道B，G，R。
mask：掩码图像统计整幅图像的直方图，设为None。统计图像某一部分的直方图时，需要掩码图像。
histSize
BINS的数量，例如【256】
ranges
像素值范围RANGE
accumulate默认值为false。如果被设置为true，则直方图在开始分配时不会被清零。该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图。多个直方图的累积结果，用于对一组图像计算直方图。
使用OpenCV画出直方图：
import cv2import matplotlib.pyplot as plto=cv2.imread("image\\girl.bmp")histb = cv2.calcHist([o],[0],None,[256],[0,255])histg = cv2.calcHist([o],[1],None,[256],[0,255])histr = cv2.calcHist([o],[2],None,[256],[0,255])plt.plot(histb,color='b')plt.plot(histg,color='g')plt.plot(histr,color='r')plt.show()
3.使用掩码的直方图-直方图、掩膜
掩码说实话就是使用掩膜的黑色部分把原始图像的部分给覆盖掉，也称为过滤掉。那么我们怎么做呢？首先我们需要创建一个掩膜：
mask=np.zeros(image.shape,np.uint8)mask[200:400,200:400]=255首先创建一个全0的和原图像size一致的，然后我们把指定范围指定为白色。然后传入函数内：
import cv2import numpy as npimport matplotlib.pyplot as plt显示直方图image=cv2.imread("image\\girl.bmp",cv2.IMREAD_GRAYSCALE)mask=np.zeros(image.shape,np.uint8)mask[200:400,200:400]=255histMI=cv2.calcHist([image],[0],mask,[256],[0,255])histImage=cv2.calcHist([image],[0],None,[256],[0,255])plt.plot(histImage)plt.plot(histMI)结果是：
掩膜原理：
说实在的就是与和或的关系，与就是一个不行就都不行。或就是一个行就可以。
而我们的掩膜原理主要用到的就是与操作；
计算结果 = cv2.bitwise_and(图像1，图像2)
import cv2import numpy as npimport matplotlib.pyplot as pltimage=cv2.imread("image\\boat.bmp",0)mask=np.zeros(image.shape,np.uint8)mask[200:400,200:400]=255mi=cv2.bitwise_and(image,mask)cv2.imshow('original',image)cv2.imshow('mask',mask)cv2.imshow('mi',mi)cv2.waitKey()cv2.destroyAllWindows()
4.直方图均衡化原理及函数
在维基百科是这样定义的：
对应在图像上就是：
前提：如果一幅图像占有全部可能的灰度级，并且均匀分布。
结论：该图像具有高对比度和多变的灰度色调。
外观：图像细节丰富，质量更高。
算法：
计算累计直方图
将累计直方图进行区间转换
在累计直方图中，概率相近的原始值，会被处理为相同的值。
1.计算灰度级出现的概率情况
????????：第K个灰度级
????????：第k级灰度的像素个数
N：图像内总像素的个数
L：灰度级最大值，灰度值区间[0,L-1]
2.变换函数
我们把公式表现在图片上就是：
这样就完成了从原始图像计算得到了均衡直方图。
虽然二者相似。但右侧的分布更均衡，相邻像素级概率和与高概率近似相等。可应用到医疗图像处理，车牌识别，人脸识别。
对应函数是：dst = cv2.equalizeHist( src )
import cv2import numpy as npimport matplotlib.pyplot as pltimg = cv2.imread('image\\equ.bmp',cv2.IMREAD_GRAYSCALE)equ = cv2.equalizeHist(img)plt.hist(img.ravel(),256)plt.figure()plt.hist(equ.ravel(),256)
我们处理一下lena，就是这样：
5.子图的绘制
我们有的时候为了方便对比，会想要把几个图放在一张大图中进行比较，那么我们怎么去做呢？有没有一个函数可以完成这个操作呢。
subplot(nrows, ncols, plot_number)
nrows表示行数，ncols表示列数，plot_number表示第几个。subplot(2,3,4)那么就表示2行三列，第四个图。
当每一个参数都小于10时，可以直接书写三个数字，表示为“subplot(234)
import cv2import numpy as npimport matplotlib.pyplot as pltimg = cv2.imread('image\\boatGray.bmp',cv2.IMREAD_GRAYSCALE)equ = cv2.equalizeHist(img)plt.subplot(121),plt.hist(img.ravel(),256)plt.subplot(122),plt.hist(equ.ravel(),256)
imshow(X, cmap=None)
X表示要绘制的图像，cmap表示colormap，颜色图谱，默认为RGB(A)颜色空间。
灰度图像 ：colormap，颜色图谱，默认为RGB(A)颜色空间使用参数cmap=plt.cm.gray
彩色图像 ：colormap，颜色图谱，默认为RGB(A)颜色空间，如果使用opencv读入的图像，默认空间为BGR，需要调整色彩空间为RGB。
import cv2import matplotlib.pyplot as plto = cv2.imread('image\\girl.bmp')g=cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)plt.subplot(221)plt.imshow(o),plt.axis('off')plt.subplot(222)plt.imshow(o,cmap=plt.cm.gray),plt.axis('off')plt.subplot(223)plt.imshow(g),plt.axis('off')plt.subplot(224)plt.imshow(g,cmap=plt.cm.gray),plt.axis('off')
第一个图是：彩色图像，使用默认参数。
第二个图是：彩色图像，使用参数cmap=plt.cm.gray
第三个图是：灰色图像，使用默认参数
第四个图是：灰色图像，使用参数cmap=plt.cm.gray
那么只有第四个图是正确的。
对于彩色图像：
import cv2import matplotlib.pyplot as pltimg = cv2.imread('image\\girl.bmp')b,g,r=cv2.split(img)img2=cv2.merge([r,g,b])plt.subplot(121)plt.imshow(img),plt.axis('off')plt.subplot(122)plt.imshow(img2),plt.axis('off')必须要将BGR split然后merge成RGB才可以。
6.直方图均衡化对比
import cv2import matplotlib.pyplot as pltimg = cv2.imread('image\\boat.bmp',cv2.IMREAD_GRAYSCALE)equ = cv2.equalizeHist(img)plt.subplot(221)plt.imshow(img,cmap=plt.cm.gray),plt.axis('off')plt.subplot(222)plt.imshow(equ,cmap=plt.cm.gray),plt.axis('off')plt.subplot(223)plt.hist(img.ravel(),256)plt.subplot(224)plt.hist(equ.ravel(),256)
以上就是关于“python OpenCV图像直方图如何处理”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注编程网行业资讯频道。
