目錄
一、什么是圖像直方圖？
關鍵概念：BINS（區間）
二、直方圖的核心作用
三、OpenCV 計算直方圖：calcHist 函數詳解
1. 函數語法與參數解析
2. 基礎實戰：計算灰度圖直方圖
代碼實現
結果分析
3. 進階實戰：計算彩色圖直方圖
代碼實現
結果分析
4. 高級實戰：用掩模（mask）計算局部直方圖
代碼實現
關鍵說明
四、直方圖均衡化：提升圖像對比度
1. OpenCV 實現直方圖均衡化
代碼實現
結果分析
五、常見問題與解決方案
在計算機視覺領域，圖像直方圖是分析圖像像素分布的核心工具，無論是圖像增強、對比度調整，還是目標檢測中的特征提取，都離不開它的身影。本文將從直方圖的基本概念入手，結合數學原理與 OpenCV 代碼實例，帶你全面掌握圖像直方圖的理論與實踐，最后還會拓展直方圖均衡化等進階應用，助力你解決實際項目中的問題。
一、什么是圖像直方圖？
圖像直方圖是圖像像素灰度級別分布的圖形化表達，它以 “像素灰度值” 為橫軸，以 “該灰度值對應的像素數量” 為縱軸，直觀地呈現圖像的明暗分布特征。
舉個簡單例子：一張純黑圖像的直方圖，只會在灰度值 0 的位置出現一個峰值；而一張高對比度圖像的直方圖，像素會集中在灰度值較低（暗部）和較高（亮部）的區域，中間灰度區域像素較少。
關鍵概念：BINS（區間）
默認情況下，直方圖會統計 0-255 每個灰度值的像素數量，此時需要 256 個 “區間” 來展示，這 256 個區間就稱為BINS（對應 OpenCV 中calcHist函數的histSize參數）。
但在實際場景中，我們常不需要細分到單個灰度值。例如，將 0-255 劃分為 16 個區間（每個區間包含 16 個灰度值：0-15、16-31、…、240-255），此時histSize=16，只需 16 個 BINS 就能概覽圖像的灰度分布，既簡化計算，又能突出整體特征。
二、直方圖的核心作用
- 圖像明暗分析：通過直方圖峰值位置判斷圖像偏暗（峰值靠左）、偏亮（峰值靠右）或正常（峰值居中）。
- 圖像增強依據：針對對比度低的圖像（直方圖集中在狹窄區間），可通過直方圖均衡化擴展灰度范圍，提升對比度。
- 場景變換檢測：在視頻處理中，通過對比相鄰幀直方圖的差異，可檢測場景是否切換（如從室內到室外，直方圖會顯著變化）。
- 目標特征提取：在目標檢測（如車牌識別、人臉識別）中，直方圖可作為紋理特征的一部分，輔助區分目標與背景。
三、OpenCV 計算直方圖：calcHist 函數詳解
OpenCV 提供cv2.calcHist()函數計算圖像直方圖，掌握它的參數與用法是實戰的關鍵。
1. 函數語法與參數解析
cv2.calcHist(images, channels, mask, histSize, ranges)
各參數含義如下：
| 參數 | 說明 |
|---|---|
images | 輸入圖像，格式需為uint8或float32，必須用中括號[]包裹（如[img]） |
channels | 通道索引，灰度圖傳[0]；彩色圖（BGR 格式）傳[0]（B）、[1]（G）、[2]（R） |
mask | 掩模圖像，統計整幅圖像直方圖傳None；統計局部區域傳自定義掩模 |
histSize | BINS 數量，需用中括號包裹（如[256]表示 256 個區間，[16]表示 16 個區間） |
ranges | 像素值范圍，通常為[0, 256]（包含 0，不包含 256，覆蓋所有灰度值） |
2. 基礎實戰：計算灰度圖直方圖
以一張手機圖像（phone.png）為例，先將其轉為灰度圖，再計算并繪制直方圖。
代碼實現
import cv2
import matplotlib.pyplot as plt
import numpy as np# 1. 讀取灰度圖
phone_gray = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
# 2. 方法1：用matplotlib直接繪制（需先將圖像轉為一維數組）
# ravel()函數：將二維灰度圖轉為一維像素數組
pixel_array = phone_gray.ravel()
# 繪制直方圖（bins=256，即每個灰度值一個區間）
plt.figure(figsize=(10, 4))
plt.hist(pixel_array, bins=256, color='gray', alpha=0.7)
plt.title('Gray Image Histogram (bins=256)')
plt.xlabel('Gray Level (0-255)')
plt.ylabel('Pixel Count')
plt.show()# 3. 方法2：用OpenCV的calcHist計算（bins=16，簡化展示）
phone_hist = cv2.calcHist(images=[phone_gray], channels=[0], mask=None, histSize=[16], ranges=[0, 256])
# 繪制calcHist結果（曲線圖）
plt.figure(figsize=(10, 4))
plt.plot(phone_hist, color='black', linewidth=2)
plt.title('Gray Image Histogram (bins=16)')
plt.xlabel('BINS (16 intervals)')
plt.ylabel('Pixel Count')
plt.xticks(range(16), [f'{i*16}-{i*16+15}' for i in range(16)], rotation=45)
plt.show()
結果分析
- 當
bins=256時，直方圖能清晰看到每個灰度值的像素分布，適合精細分析； - 當
bins=16時，直方圖更簡潔，可快速判斷圖像整體明暗（如峰值集中在哪個區間）。
3. 進階實戰：計算彩色圖直方圖
彩色圖像（BGR 格式）需分別計算 B、G、R 三個通道的直方圖，通過對比各通道分布，可分析圖像的色彩偏向（如紅色通道峰值高，說明圖像偏紅）。
代碼實現
# 讀取彩色圖像（OpenCV默認BGR格式）
phone_color = cv2.imread('phone.png')
# 定義三個通道的顏色（B、G、R）
colors = ('blue', 'green', 'red')
# 分別計算并繪制三個通道的直方圖
plt.figure(figsize=(10, 4))
for i, color in enumerate(colors):# 計算當前通道的直方圖hist = cv2.calcHist(images=[phone_color], channels=[i], mask=None, histSize=[256], ranges=[0, 256])# 繪制曲線plt.plot(hist, color=color, label=f'{color.upper()} Channel')plt.title('Color Image Histogram (BGR)')
plt.xlabel('Gray Level (0-255)')
plt.ylabel('Pixel Count')
plt.legend()
plt.show()
結果分析
- 若藍色通道（blue）的直方圖峰值較高，說明圖像中藍色區域較多（如天空、藍色物體）；
- 若紅色通道（red）峰值靠左，說明紅色區域偏暗（如暗紅色的物體）。
4. 高級實戰：用掩模（mask）計算局部直方圖
掩模（mask）是一張與原圖像尺寸相同的二值圖像（像素值為 0 或 255），它能 “篩選” 出原圖像中需要分析的區域（掩模中 255 的區域會被統計，0 的區域會被忽略）。
代碼實現
# 1. 讀取灰度圖并顯示
phone_gray = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow('Original Gray Image', phone_gray)
cv2.waitKey(0)# 2. 創建掩模：只保留圖像中間區域（50:350行，100:470列）
# 初始化掩模為全黑（0）
mask = np.zeros(phone_gray.shape[:2], dtype=np.uint8)
# 將中間區域設為白色（255）
mask[50:350, 100:470] = 255
cv2.imshow('Mask (White = Target Area)', mask)
cv2.waitKey(0)# 3. 用bitwise_and獲取掩模篩選后的圖像（可選，直觀查看篩選效果）
masked_image = cv2.bitwise_and(phone_gray, phone_gray, mask=mask)
cv2.imshow('Masked Image (Only Target Area)', masked_image)
cv2.waitKey(0)# 4. 計算局部直方圖（僅統計掩模中255的區域）
masked_hist = cv2.calcHist(images=[phone_gray], channels=[0], mask=mask, histSize=[256], ranges=[0, 256])
# 繪制局部直方圖
plt.figure(figsize=(10, 4))
plt.plot(masked_hist, color='black', linewidth=2)
plt.title('Local Histogram (Masked Area)')
plt.xlabel('Gray Level (0-255)')
plt.ylabel('Pixel Count')
plt.show()# 關閉所有窗口
cv2.destroyAllWindows()
關鍵說明
cv2.bitwise_and()：通過掩模與原圖像進行 “與運算”，僅保留掩模中 255 的區域，方便直觀查看篩選效果；- 局部直方圖的應用場景：如分析人臉圖像中 “眼睛區域” 的灰度分布，可先用人臉檢測算法生成眼睛的掩模，再計算局部直方圖。
四、直方圖均衡化：提升圖像對比度
直方圖均衡化是基于直方圖的圖像增強技術，它通過 “拉伸” 圖像的灰度分布范圍，將集中在狹窄區間的像素分散到 0-255 全范圍，從而提升圖像對比度。
例如，一張霧天圖像（直方圖集中在中間灰度區間），經過均衡化后，暗部更暗、亮部更亮，細節更清晰。
1. OpenCV 實現直方圖均衡化
OpenCV 提供cv2.equalizeHist()函數，僅支持灰度圖（彩色圖需先轉為 YUV 格式，對亮度通道 Y 進行均衡化）。
代碼實現
import cv2
import matplotlib.pyplot as plt# 1. 讀取灰度圖（假設圖像對比度較低）
low_contrast_img = cv2.imread('low_contrast_phone.png', cv2.IMREAD_GRAYSCALE)
# 2. 計算均衡化前的直方圖
hist_before = cv2.calcHist([low_contrast_img], [0], None, [256], [0, 256])# 3. 執行直方圖均衡化
equalized_img = cv2.equalizeHist(low_contrast_img)
# 4. 計算均衡化后的直方圖
hist_after = cv2.calcHist([equalized_img], [0], None, [256], [0, 256])# 5. 對比顯示結果
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
# 原圖
axes[0, 0].imshow(low_contrast_img, cmap='gray')
axes[0, 0].set_title('Original Image (Low Contrast)')
axes[0, 0].axis('off')
# 原圖直方圖
axes[0, 1].plot(hist_before, color='black')
axes[0, 1].set_title('Histogram Before Equalization')
axes[0, 1].set_xlabel('Gray Level')
axes[0, 1].set_ylabel('Pixel Count')
# 均衡化后圖像
axes[1, 0].imshow(equalized_img, cmap='gray')
axes[1, 0].set_title('Equalized Image (High Contrast)')
axes[1, 0].axis('off')
# 均衡化后直方圖
axes[1, 1].plot(hist_after, color='black')
axes[1, 1].set_title('Histogram After Equalization')
axes[1, 1].set_xlabel('Gray Level')
axes[1, 1].set_ylabel('Pixel Count')plt.tight_layout()
plt.show()
結果分析
- 均衡化前：直方圖集中在中間灰度區間，圖像整體發灰、對比度低；
- 均衡化后：直方圖均勻分布在 0-255 全范圍，圖像暗部與亮部分明，細節更清晰。
五、常見問題與解決方案
-
Q：計算彩色圖直方圖時，顏色與預期不符？
A：OpenCV 讀取彩色圖默認是 BGR 格式，而 matplotlib 顯示時默認是 RGB 格式。若需用 matplotlib 顯示原圖，需先通過cv2.cvtColor(img, cv2.COLOR_BGR2RGB)轉換格式，但計算直方圖時無需轉換（直接用 BGR 通道即可）。 -
Q：掩模計算局部直方圖時，結果全為 0？
A：檢查掩模的尺寸是否與原圖像一致（如原圖像是(480, 640)，掩模也需是(480, 640)），且掩模的像素值是否為0或255（不能是其他值）。 -
Q：均衡化后圖像出現 “過曝” 或 “細節丟失”？
A：普通直方圖均衡化會全局拉伸灰度，可能導致局部細節丟失。可改用自適應直方圖均衡化（cv2.createCLAHE()），它將圖像分塊處理，保留局部細節，適合明暗差異大的圖像。
