OpenCV-Python (官方)中文教程(部分一)

22.直方圖

22.1直方圖的計算,繪制與分析

使用 OpenCV 或 Numpy 函數計算直方圖

使用 Opencv 或者 Matplotlib 函數繪制直方圖

將要學習的函數有：cv2.calcHist(),np.histogram()

什么是直方圖呢？通過直方圖你可以對整幅圖像的灰度分布有一個整體的了解。直方圖的 x 軸是灰度值（0 到 255）,y 軸是圖片中具有同一個灰度值的點的數目。

直方圖其實就是對圖像的另一種解釋。一下圖為例,通過直方圖我們可以對圖像的對比度,亮度,灰度分布等有一個直觀的認識。幾乎所有的圖像處理軟件都提供了直方圖分析功能。下圖來自Cambridge in Color website,強烈推薦你到這個網站了解更多知識。

讓我們來一起看看這幅圖片和它的直方圖吧。（要記住,直方圖是根據灰度圖像繪制的,而不是彩色圖像）。直方圖的左邊區域像是了暗一點的像素數量, 右側顯示了亮一點的像素的數量。從這幅圖上你可以看到灰暗的區域比兩的區域要大,而處于中間部分的像素點很少。

(1).統計直方圖

現在我們知道什么是直方圖了, 那怎樣獲得一副圖像的直方圖呢？ OpenCV和Numpy 都有內置函數做這件事。在使用這些函數之前我們有必要想了解一下直方圖相關的術語。

BINS：上面的直方圖顯示了每個灰度值對應的像素數。如果像素值為 0 到 255,你就需要 256 個數來顯示上面的直方圖。但是,如果你不需要知道每一個像素值的像素點數目的,而只希望知道兩個像素值之間的像素點數目怎么辦呢？舉例來說,我們想知道像素值在 0 到 15 之間的像素點的數目,接著是 16 到 31,....,240 到 255。我們只需要 16 個值來繪制直方圖。OpenCV Tutorials ??on ?histograms中例子所演示的內容。

那到底怎么做呢？你只需要把原來的 256 個值等分成 16 小組,取每組的總和。而這里的每一個小組就被成為 BIN。第一個例子中有 256 個 BIN,第二個例子中有 16個 BIN。在 OpenCV ?的文檔中用 histSize ?表示 ??BINS。

DIMS：表示我們收集數據的參數數目。在本例中,我們對收集到的數據只考慮一件事：灰度值。所以這里就是 1。

RANGE：就是要統計的灰度值范圍,一般來說為 [0,256],也就是說所有的灰度值

使用 OpenCV 統計直方圖函數 cv2.calcHist 可以幫助我們統計一幅圖像的直方圖。我們一起來熟悉一下這個函數和它的參數：

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

??1. images: 原圖像（圖像格式為 uint8 或 ?oat32）。當傳入函數時應該用中括號 [] 括起來,例如：[img]。

??2. channels: 同樣需要用中括號括起來,它會告訴函數我們要統計那幅圖像的直方圖。如果輸入圖像是灰度圖,它的值就是 [0]；如果是彩色圖像的話,傳入的參數可以是 ?[0],[1],[2] ??它們分別對應著通道 ?B,G,R。

??3. mask: 掩模圖像。要統計整幅圖像的直方圖就把它設為 None。但是如果你想統計圖像某一部分的直方圖的話,你就需要制作一個掩模圖像,并使用它。（后邊有例子）

??4. histSize:BIN ?的數目。也應該用中括號括起來,例如：[256]。

??5. ranges: 像素值范圍,通常為 [0,256]

讓我們從一副簡單圖像開始吧。以灰度格式加載一幅圖像并統計圖像的直方圖。

import cv2

import numpy as np

import matplotlib.pyplot as plt

# 1. 讀取圖像（灰度模式）

img = cv2.imread('home.jpg', 0) ?# 參數0表示以灰度模式讀取

# 檢查圖像是否成功加載

if img is None:

????raise FileNotFoundError("無法加載圖像，請檢查路徑")

# 2. 計算直方圖

hist = cv2.calcHist(

????[img], ??????# 輸入圖像（必須用列表包裹）

????[0], ????????# 通道索引（灰度圖是0）

????None, ???????# 掩膜（None表示整個圖像）

????[256], ??????# 直方圖大小（bin的數量）

????[0, 256] ????# 像素值范圍

)

# 3. 可視化直方圖

plt.figure(figsize=(10, 5))

plt.title("Grayscale Histogram")

plt.xlabel("Pixel Value")

plt.ylabel("Frequency")

plt.xlim([0, 256]) ?# X軸范圍

plt.plot(hist, color='black')

plt.grid(True, linestyle='--', alpha=0.7)

plt.show()

# 4. 可選：顯示原圖

cv2.imshow("Original Image", img)

cv2.waitKey(0)

cv2.destroyAllWindows()

hist ??是一個 ?256x1 ?的數組,每一個值代表了與次灰度值對應的像素點數目。

使用 Numpy 統計直方圖?Numpy 中的函數 np.histogram()?也可以幫我們統計直方圖。你也可以嘗試一下下面的代碼：

import cv2

import numpy as np

import matplotlib.pyplot as plt

# 1. 讀取圖像（灰度模式）

img = cv2.imread('11111.png', 0) ?# 參數0表示以灰度模式讀取

# 檢查圖像是否成功加載

if img is None:

????raise FileNotFoundError("無法加載圖像，請檢查路徑")

# 2. 使用numpy計算直方圖（不需要中括號）

hist, bins = np.histogram(img.ravel(), ?# 將圖像展平為一維數組

?????????????????????????bins=256, ?????# 直方圖的bin數量

?????????????????????????range=[0, 256]) # 像素值范圍

# 3. 可視化直方圖

plt.figure(figsize=(10, 5))

plt.title("Grayscale Histogram (numpy)")

plt.xlabel("Pixel Value")

plt.ylabel("Frequency")

plt.xlim([0, 256]) ?# X軸范圍

# 注意：bins比hist多一個元素，需要調整顯示

plt.bar(bins[:-1], ???????# X軸坐標（bin的左邊界）取bins數組除最后一個元素外的所有值（因為bins比hist多一個元素）

????????hist, ????????????# Y軸高度（頻數）每個bin對應的像素頻數

????????width=1, ?????????# 柱子的寬度設置每個柱子的寬度為1（保證柱子之間無間隙）

????????color='black', ???# 柱子填充顏色黑色

????????edgecolor='none') # 柱子邊框顏色（無邊框）

plt.grid(True, ??????????# 啟用網格線

?????????linestyle='--', # 虛線樣式

?????????alpha=0.7) ?????# 透明度（0.7表示70%不透明）

plt.show()

# 4. 可選：顯示原圖

cv2.imshow("Original Image", img)

cv2.waitKey(0)

cv2.destroyAllWindows()

hist 與上面計算的一樣。但是這里的 bins 是 257,因為 Numpy 計算 bins 的方式為：0-0.99,1-1.99,2-2.99 等。所以最后一個范圍是 255-255.99。為了表示它,所以在 bins 的結尾加上了 256。但是我們不需要 256,到 255 就夠了。

其他：Numpy ???還有一個函數 ??np.bincount(),?它的運行速度是 np.histgram ??的十倍。所以對于一維直方圖, 我們最好使用這個函數。使用 ??np.bincount???時別忘了設置 ??minlength=256。例如, hist=np.bincount(img.ravel(),minlength=256)

注意：OpenCV的函數要比 np.histgram()快40倍.所以堅持使用OpenCV 函數.

(2).繪制直方圖

有兩種方法來繪制直方圖：

1.Short Way（簡單方法）：使用 Matplotlib 中的繪圖函數。

2.Long Way（復雜方法）：使用 OpenCV 繪圖函數

使用 Matplotlib?中有直方圖繪制函數：matplotlib.pyplot.hist()

它可以直接統計并繪制直方圖。你應該使用函數 ?calcHist() ?或 np.histogram()

統計直方圖。

以下是關于 matplotlib.pyplot.hist()、cv2.calcHist() 和 np.histogram() 三個函數的詳細對比分析，包括它們的區別、優缺點和適用場景：

1. matplotlib.pyplot.hist()??

特點：

??一體化操作：直接統計并繪制直方圖（計算+可視化一步完成）

??接口簡單：無需手動處理 bins 和 hist 的對應關系

??可視化集成：自動添加坐標軸、標題等圖形元素

import?cv2

from?matplotlib?import?pyplot?as?plt

?

img?=?cv2.imread('drawing.png',0)?

plt.hist(img.ravel(),256,[0,256])

plt.show()

2. cv2.calcHist()??

特點：

??OpenCV專屬：針對圖像數據高度優化

??多通道支持：可同時計算多通道直方圖

??靈活掩膜：支持指定ROI區域計算

import cv2

img = cv2.imread('image.jpg', 0)

hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 需要手動繪制

plt.plot(hist, color='red')

plt.title('OpenCV Histogram')

plt.show()

3. np.histogram()??

特點：

??純計算函數：只返回統計結果，不包含繪圖

??通用性強：適用于任何數值數據（不限于圖像）

??精確控制：可自定義 bins 和 range

import numpy as np

import matplotlib.pyplot as plt

img = cv2.imread('image.jpg', 0)

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

# 手動繪制（需處理bins邊界）

plt.bar(bins[:-1], hist, width=1)

plt.title('NumPy Histogram')

plt.show()

如何選擇？??

??1、需要快速可視化?? → plt.hist()

plt.hist(img.ravel(), bins=256, range=[0,256], alpha=0.7)

??2、OpenCV圖像處理流程?? → cv2.calcHist()

hist = cv2.calcHist([img], [0], mask, [256], [0,256])

??3、精確控制或非圖像數據?? → np.histogram()

hist, bins = np.histogram(data, bins=50, range=[min_val, max_val])

??4、多通道圖像分析?? → cv2.calcHist() + 循環

colors = ('b','g','r')

for i, col in enumerate(colors):

????hist = cv2.calcHist([img], [i], None, [256], [0,256])

plt.plot(hist, color=col)

性能實測對比??

import?time

import?matplotlib.pyplot?as?plt

import?cv2

import?numpy?as?np

img?=?cv2.imread('drawing.png',?0)

#?測試plt.hist

t1?=?time.time()

plt.hist(img.ravel(),?bins=256)

print(f"plt.hist:?{time.time()-t1:.4f}s")

#?測試cv2.calcHist

t2?=?time.time()

hist?=?cv2.calcHist([img],?[0],?None,?[256],?[0,256])

print(f"cv2.calcHist:?{time.time()-t2:.4f}s")

#?測試np.histogram

t3?=?time.time()

hist,?bins?=?np.histogram(img.ravel(),?bins=256)

print(f"np.histogram:?{time.time()-t3:.4f}s")

典型輸出（4000x3000像素圖像）：

plt.hist: 3.7026s

cv2.calcHist: 0.0060s

np.histogram: 0.0209s

或者你可以只使用 matplotlib 的繪圖功能,這在同時繪制多通道（BGR）的直方圖,很有用。但是要告訴繪圖函數你的直方圖數據在哪里。運行一下下面的代碼：

import cv2

from matplotlib import pyplot as plt

img = cv2.imread('drawing.png') #讀取BGR格式的彩色圖像（默認加載為3通道numpy數組）

if img is None:

????raise FileNotFoundError("無法加載圖像，請檢查路徑")

#元組存儲三個顏色符號，對應Matplotlib的繪圖顏色：

#'b': 藍色（Blue，OpenCV的通道0）

#'g': 綠色（Green，通道1）

#'r': 紅色（Red，通道2）

color = ('b', 'g', 'r')

#同時獲取索引i（0,1,2）和顏色符號col（'b','g','r'）

for i, col in enumerate(color):

????#[img]: 輸入圖像（必須放在列表中）[i]: 通道索引（0=Blue, 1=Green, 2=Red）

????#None: 不使用掩膜（計算全圖）[256]: 直方圖bin數量（256級）[0,256]: 像素值范圍（0~255）

????histr = cv2.calcHist([img], [i], None, [256], [0,256])

????#histr: 當前通道的直方圖數據（256維向量）color=col: 使用對應通道的顏色（藍/綠/紅）

????plt.plot(histr, color=col, label=f'{col.upper()} Channel') ?# 添加標簽

plt.title('RGB Channel Histogram')

plt.xlabel('Pixel Value')

plt.ylabel('Frequency')

plt.xlim([0, 256]) #限制X軸顯示范圍為0~256（覆蓋所有像素值）

plt.legend() ?# 顯示圖例

plt.grid(True, linestyle='--', alpha=0.5) ?# 添加網格線

plt.show()

輸出效果??

將顯示一個包含三條曲線的直方圖：

??藍色曲線??: 藍色通道的像素值分布

??綠色曲線??: 綠色通道的分布

??紅色曲線??: 紅色通道的分布

（X軸為像素值0~255，Y軸為對應像素值的出現頻率）

關鍵點總結??

??enumerate():?同時獲取索引和值，避免手動計數

??calcHist()的列表輸入: 必須用[img]和[i]傳遞參數

??通道順序:?OpenCV默認BGR，Matplotlib默認RGB，注意顏色對應關系

使用 OpenCV 自帶函數繪制直方圖比較麻煩,這里不作介紹,有興趣可以自己研究。可以參考 OpenCV-Python2 的官方示例。

(3).使用掩模

要統計圖像某個局部區域的直方圖只需構建一副掩模圖像。將要統計的部分設置成白色,其余部分為黑色,就構成一副掩模圖像。然后把這個掩模圖像傳給函數就可以了。

import?matplotlib.pyplot?as?plt

import?cv2

import?numpy?as?np

img?=?cv2.imread('drawing.png',0)

?

#?create?a?mask

#創建與圖像尺寸相同的全黑掩膜（所有像素值為0）img.shape[:2]獲取圖像的高度和寬度（忽略通道數）

mask?=?np.zeros(img.shape[:2],?np.uint8)?

#將掩膜中y=100:300，x=100:400的矩形區域設為白色（255）,該區域表示后續要分析的ROI

mask[100:300,?100:400]?=?255

#對圖像進行按位與操作，保留掩膜白色區域對應的原圖像素

#參數說明：前兩個img：輸入圖像（灰度圖）,mask=mask：指定掩膜區域

#效果：非ROI區域變為黑色（0），ROI區域保留原灰度值

masked_img?=?cv2.bitwise_and(img,img,mask?=?mask)

#?Calculate?histogram?with?mask?and?without?mask

#?Check?third?argument?for?mask

#計算全局和局部直方圖

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')

#默認先畫的hist_full為藍色，后畫的hist_mask為橙色

plt.subplot(224),?plt.plot(hist_full),?plt.plot(hist_mask)?

plt.xlim([0,256])

?

plt.show()