内容目录
原文链接：http://www.juzicode.com/opencv-python-histogram-calchist-draw-hist
图像的直方图反映的是图像像素值的统计特征，比如一个CV_8U类型的图像，表示的是其在0~255的256种数值的分布情况。我们可以将统计“颗粒度”划分在每一个像素值上，当然统计区间也可以不必在每一个像素值上划分，也可以将0-255平分成更宽的区间，比如0-7,8-15…..248-255每8个像素值作为一个区间来统计。在直方图中经常会遇到“bin”的概念，比如一个CV_8U的图像如果bin的尺寸设置为256，这样bin的宽度就为1，对应前面例子中在每一个像素值上统计，如果bin的尺寸设置为32，这样bin的宽度就为256/32=8，这样就会在每8个像素值上统计。
OpenCV里用calcHist()计算得到的直方图是一个矩阵(数组)，虽然也是是一个二维图像，但是并不能直接用imshow()显示，需要经过转换配合绘制直线等方法将直方图表示成一幅直观的图像，另外也可以借助numpy和matplotlib绘制直方图。后者接口更简洁，稍后我们先来看看此方法。
1、matplotlib hist()绘制直方图
matplotlib中可以使用hist()方法绘制直方图，其接口形式：
hist(x, bins=None, range=None,......)- 参数含义：
- x：输入序列，如果是二维图像需要展开为一维数组；
- bins：柱子的多少，如果是CV_8U类型的图像设置为256，表示每个像素值为1个区间；
- range：像素值的阈值范围，如果不设置会自动计算；
实际上matplotlib里的hist()方法入参有十几个，这里我们只需要使用上述几个参数就可以完成绘图。
下面的例子读入lena图，然后分别对其BGR通道进行直方图的绘制，绘制直方图时入参x要求为一维数组，所以使用ravel()方法将图像展开：
import numpy as np
import matplotlib.pyplot as plt
import cv2
plt.rc('font',family='Youyuan',size='9')
plt.rc('axes',unicode_minus='False')
print('VX公众号: 桔子code / juzicode.com')
img_src = cv2.imread('..\\lena.jpg')
b,g,r = cv2.split(img_src)
#显示图像
fig,ax = plt.subplots(2,2)
ax[0,0].set_title('b hist')
ax[0,0].hist(b.ravel(),bins=256)
ax[0,1].set_title('g hist')
ax[0,1].hist(g.ravel(),bins=256)
ax[1,0].set_title('r hist')
ax[1,0].hist(r.ravel(),bins=256)
ax[1,1].set_title('src')
ax[1,1].imshow(cv2.cvtColor(img_src,cv2.COLOR_BGR2RGB))
#ax[0,0].axis('off');ax[0,1].axis('off');ax[1,0].axis('off');
ax[1,1].axis('off')#关闭坐标轴显示
plt.show() 运行结果：
在hist()方法中，设置bins=256，所以直方图的x方向的坐标长度为256，这时会统计每种像素值的像素个数。
hist()绘制的直方图，可以看做是bar()绘制的柱状图的一种特例，在直方图中柱子之间的间隔为0，x方向的坐标用数字代替了，可参考数据可视化~matplotlib饼图、柱状图。
2、计算直方图calcHist
calcHist()可以用来统计图像的直方图，接口形式：
cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) ->hist- 参数含义：
- images：输入图像，是一个图像集合，可以是包含多通道彩色图像的list或tuple，也可以是多个灰度图组成的list或者tuple；list或tuple形式的输入；
- channels：根据images确定，指明要用images里的哪个通道号，根据images的形式确定；list或tuple形式的输入；
- mask：掩码；
- histSize：直方图的尺寸，实际就是元素取值划分的等分；list或tuple形式的输入；
- ranges：图像元素取值的范围；list或tuple形式的输入；
- accumulate：如果为True表示多个图像时累积计算像素值个数；
- hist：返回的直方图数据，是一个二维数组，数组形状为(histSize决定的行数,1)；
下面这个例子对lena图的BGR通道分别计算直方图：
import numpy as np
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
img_src = cv2.imread('..\\lena.jpg')
b,g,r = cv2.split(img_src)
histSize = 256
histRange = (0, histSize) #统计的范围和histSize保持一致时可覆盖所有取值
b_hist = cv2.calcHist([b], [0], None, [histSize], histRange)
g_hist = cv2.calcHist([g], [0], None, [histSize], histRange)
r_hist = cv2.calcHist([r], [0], None, [histSize], histRange)
print('b_hist.shape:',b_hist.shape)
min_max = cv2.minMaxLoc(b_hist)
print('b_hist.minMaxLoc:',min_max)
print('b_hist.非0数:',cv2.countNonZero(b_hist))
for i,v in enumerate(b_hist):
print(v,end=' ')
if (i+1)%16==0:print()运行结果：
VX公众号: 桔子code / juzicode.com
cv2.__version__: 4.5.3
b_hist.shape: (256, 1)
b_hist.minMaxLoc: (0.0, 3260.0, (0, 0), (0, 95))
b_hist.非0数: 191
[0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.]
[0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [1.] [0.] [0.] [0.] [1.]
[1.] [0.] [3.] [2.] [6.] [8.] [2.] [12.] [16.] [34.] [42.] [33.] [64.] [74.] [123.] [148.]
[229.] [279.] [333.] [452.] [573.] [740.] [938.] [1137.] [1294.] [1616.] [1779.] [2091.] [2260.] [2464.] [2684.] [2690.]
[2732.] [2793.] [2807.] [2763.] [2782.] [2741.] [2610.] [2649.] [2710.] [2839.] [2981.] [2908.] [3101.] [3091.] [3102.] [3148.]
[3026.] [2967.] [3032.] [2851.] [2872.] [2776.] [2783.] [2818.] [2831.] [2970.] [2929.] [2959.] [3217.] [3209.] [3132.] [3260.]
[3253.] [3117.] [2999.] [2868.] [2785.] [2655.] [2628.] [2558.] [2620.] [2613.] [2614.] [2746.] [2775.] [2751.] [2661.] [2641.]
[2617.] [2591.] [2563.] [2571.] [2601.] [2792.] [2829.] [2862.] [3042.] [3190.] [3250.] [3225.] [3190.] [2933.] [2740.] [2422.]
[2197.] [1949.] [1754.] [1489.] [1302.] [1116.] [1045.] [968.] [848.] [863.] [863.] [883.] [878.] [837.] [848.] [862.]
[846.] [786.] [798.] [801.] [888.] [892.] [868.] [906.] [835.] [858.] [964.] [1018.] [976.] [1019.] [972.] [956.]
[885.] [965.] [948.] [929.] [919.] [821.] [856.] [838.] [777.] [755.] [779.] [741.] [719.] [698.] [618.] [581.]
[619.] [585.] [580.] [583.] [569.] [617.] [584.] [621.] [620.] [625.] [569.] [548.] [460.] [401.] [380.] [359.]
[324.] [267.] [200.] [201.] [134.] [138.] [130.] [125.] [118.] [99.] [115.] [82.] [57.] [58.] [51.] [45.]
[34.] [27.] [27.] [21.] [11.] [6.] [5.] [2.] [6.] [2.] [1.] [0.] [2.] [1.] [1.] [0.]
[0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.]
[0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.] [0.]从b_hist.shape属性可以看到，b_hist是一个256行x1列的二维numpy数组，行数等于histSize=256。通过修改histSize的大小，可以看到b_hist.shape的属性随着histSize发生变化：
histSize = 156
b_hist = cv2.calcHist([b], [0], None, [histSize], histRange)
print('b_hist.shape:',b_hist.shape)
-----运行结果：
b_hist.shape: (156, 1)除了前面的例子中，images传入单个单通道图像组成的list、channels固定传入[0]的方式，images还可以使用单个多通道的图像，channels入参对应其通道号传入：
img_src = cv2.imread('..\\lena.jpg')
#b,g,r = cv2.split(img_src)
histSize = 256
histRange = (0, histSize) #统计的范围和histSize保持一致时可覆盖所有取值
b_hist = cv2.calcHist([img_src], [0], None, [histSize], histRange)
g_hist = cv2.calcHist([img_src], [1], None, [histSize], histRange)
r_hist = cv2.calcHist([img_src], [2], None, [histSize], histRange)
b,g,r = cv2.split(img_src)
b_hist2 = cv2.calcHist([b], [0], None, [histSize], histRange)
g_hist2 = cv2.calcHist([g], [0], None, [histSize], histRange)
r_hist2 = cv2.calcHist([r], [0], None, [histSize], histRange)
print('b_hist差异：',cv2.countNonZero(cv2.absdiff(b_hist,b_hist2)))
print('g_hist差异：',cv2.countNonZero(cv2.absdiff(g_hist,g_hist2)))
print('r_hist差异：',cv2.countNonZero(cv2.absdiff(r_hist,r_hist2)))运行结果：
b_hist差异： 0
g_hist差异： 0
r_hist差异： 0从运行结果看，2种方式计算得到的直方图没有差异。在这个例子中入参“[img_src], [0], ”对应的是img_src的第0通道，对应了img_src的b通道。
images入参除了包含单个多通道彩色图像，还可以包含多个多通道彩色图像，这时channels的入参就会更复杂些，后面图像的通道号需要根据前面图像的通道号来叠加考虑，比如传入一个3通道的img_src1和一个3通道的img_src2：images=[img_src1,img_src2]，这时计算img_src1的channels仍然分别取值为[0]、[1]、[2]，img_src2的channels就需要在前一个图像通道的取值基础上叠加，分别取值为[3]、[4]、[5]。下面的例子来做一个验证，同时传入2个相同的3通道图像，这时其3,4,5通道的直方图应该要等于0,1,2通道的直方图：
import numpy as np
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
img_src = cv2.imread('..\\lena.jpg')
histSize = 256
histRange = (0, histSize) #统计的范围和histSize保持一致时可覆盖所有取值
b_hist = cv2.calcHist([img_src,img_src], [0], None, [histSize], histRange)
g_hist = cv2.calcHist([img_src,img_src], [1], None, (histSize,), histRange)
r_hist = cv2.calcHist((img_src,img_src), [2], None, [histSize], histRange)
#接下来的3,4,5通道号对应第2个输入图片的直方图
b_hist2 = cv2.calcHist((img_src,img_src), [3], None, [histSize], histRange)
g_hist2 = cv2.calcHist((img_src,img_src), [4], None, [histSize], histRange)
r_hist2 = cv2.calcHist((img_src,img_src), [5], None, [histSize], histRange)
print('b_hist差异：',cv2.countNonZero(cv2.absdiff(b_hist,b_hist2)))
print('g_hist差异：',cv2.countNonZero(cv2.absdiff(g_hist,g_hist2)))
print('r_hist差异：',cv2.countNonZero(cv2.absdiff(r_hist,r_hist2)))运行结果：
b_hist差异： 0
g_hist差异： 0
r_hist差异： 0以此类推，还可以有多种其他传入方法：
b,g,r = cv2.split(img_src)
histSize = 256
histRange = (0, histSize) #统计的范围和histSize保持一致时可覆盖所有取值
b_hist = cv2.calcHist([img_src,b,g,r], [0], None, [histSize], histRange)
g_hist = cv2.calcHist([img_src,b,g,r], [1], None, (histSize,), histRange)
r_hist = cv2.calcHist((img_src,b,g,r), [2], None, [histSize], histRange)
#接下来的3,4,5通道号对应第2个输入图片的直方图
b_hist2 = cv2.calcHist((img_src,b,g,r), [3], None, [histSize], histRange)
g_hist2 = cv2.calcHist((img_src,b,g,r), [4], None, [histSize], histRange)
r_hist2 = cv2.calcHist((img_src,b,g,r), [5], None, [histSize], histRange) 3、calcHist()计算 matplotlib plot()显示
前面介绍了matplotlib hist()方法直接显示直方图，这里利用calHist()计算出直方图，得到的是一个数组，该数组的下标表示像素值代表x轴，数组元素的值表示该下标对应的像素值个数代表y轴，所以也可以利用matplotlib的plot()方法绘制直方图：
import numpy as np
import matplotlib.pyplot as plt
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
plt.rc('font',family='Youyuan',size='9')
plt.rc('axes',unicode_minus='False')
img_src = cv2.imread('..\\lena.jpg')
b,g,r = cv2.split(img_src)
histSize = 256
histRange = (0, histSize) 统计的范围和histSize保持一致时可覆盖所有取值
b_hist = cv2.calcHist([b], [0], None, [histSize], histRange)
g_hist = cv2.calcHist([g], [0], None, [histSize], histRange)
r_hist = cv2.calcHist([r], [0], None, [histSize], histRange)
#显示图像
fig,ax = plt.subplots(2,2)
ax[0,0].set_title('b hist')
ax[0,0].plot(b_hist)
ax[0,1].set_title('g hist')
ax[0,1].plot(g_hist)
ax[1,0].set_title('r hist')
ax[1,0].plot(r_hist)
ax[1,1].set_title('src')
ax[1,1].imshow(cv2.cvtColor(img_src,cv2.COLOR_BGR2RGB))
#ax[0,0].axis('off');ax[0,1].axis('off');ax[1,0].axis('off');
ax[1,1].axis('off')#关闭坐标轴显示
plt.show() 运行结果：
该方法绘制的直方图和matplotlib的hist()方法绘制曲线的分布和走势是一样的。
4、OpenCV绘图显示直方图
calcHist()计算得到的直方图名义上是“图”，但是并不能直接用OpenCV的imshow()显示，需要做转换才能显示，直方图是一个histSize行x1列的二维数组，其第2维是只包含一个元素的numpy数组，比如取b_hist的第55个元素的值：
print('b_hist[55]:',b_hist[55])
print('int(b_hist[55]):',int(b_hist[55]))
-----运行结果：
b_hist[55]: [122.07056]
int(b_hist[55]): 122这里用int()方式取整后，直接将numpy数组转换成了int型。这样数组下标55就代表了其x轴的取值，取整后的122就代表了y轴的取值。
下面的例子绘制lena图BGR通道的直方图，用calcHist()计算完BGR通道的直方图后，创建一个hist_img_w,hist_img_h = 512,350大小的numpy数组用来保存可视化的直方图图像img_hist。BGR通道直方图数据值归一化到img_hist的高度，这样做以免绘图时超出了图像边界。然后以histSize宽度为循环边界，每次用line()方法绘制hist_img_w/histSize个宽度的直线：
import numpy as np
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
img_src = cv2.imread('..\\lena.jpg')
histSize = 256
histRange = (0, histSize)
b_hist = cv2.calcHist([img_src], [0], None, [histSize], histRange)
g_hist = cv2.calcHist([img_src], [1], None, [histSize], histRange)
r_hist = cv2.calcHist([img_src], [2], None, [histSize], histRange)
#创建直方图空图像
hist_img_w,hist_img_h = 512,350
img_hist = np.zeros((hist_img_h, hist_img_w, 3), dtype=np.uint8)
#归一化到0和直方图显示的高度
cv2.normalize(b_hist, b_hist, alpha=0, beta=hist_img_h, norm_type=cv2.NORM_MINMAX)
cv2.normalize(g_hist, g_hist, alpha=0, beta=hist_img_h, norm_type=cv2.NORM_MINMAX)
cv2.normalize(r_hist, r_hist, alpha=0, beta=hist_img_h, norm_type=cv2.NORM_MINMAX)
#绘图，以histSize宽度为循环边界，每次绘制bin_w个宽度
bin_w = int(round( hist_img_w/histSize ))
print('bin_w',bin_w)
for i in range(1, histSize):
cv2.line(img_hist,
( bin_w*(i-1), hist_img_h - int(b_hist[i-1]) ),#起始点位置
( bin_w*(i) , hist_img_h - int(b_hist[i]) ), #结束点位置
( 255, 0, 0), thickness=2)
cv2.line(img_hist,
( bin_w*(i-1), hist_img_h - int(g_hist[i-1]) ),
( bin_w*(i) , hist_img_h - int(g_hist[i]) ),
( 0, 255, 0), thickness=2)
cv2.line(img_hist,
( bin_w*(i-1), hist_img_h - int(r_hist[i-1]) ),
( bin_w*(i) , hist_img_h - int(r_hist[i]) ),
( 0, 0, 255), thickness=2)
cv2.imshow('img_src', img_src)
cv2.imshow('img_hist', img_hist)
cv2.waitKey()
画出来的直方图是这样的：
5、2D直方图
2D直方图仍然使用calcHist()计算，入参形式和一维直方图类似但稍有差异。
从前面介绍一维直方图的例子来看，calcHist()使用时channels入参都只有1个元素表明输入图像的某一个通道，而计算2D直方图则需要指明2个通道，并且images参数所表示的图像必须是多个通道的。同时histSize参数增加到2个，histSize[0]对应channels[0]通道的直方图尺寸，histSize[1]对应channels[1]通道的直方图尺寸。histRange参数增加到4个，histRange[0]和[1]对应channels[0]通道的取值范围，histRange[2]和[3]对应channels[1]通道的取值范围。下面是一个计算lena图像HSV色彩空间中H和S分量2D直方图的例子：
import numpy as np
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
img_src = cv2.imread('..\\lena.jpg')
img_hsv = cv2.cvtColor(img_src,cv2.COLOR_BGR2HSV)
img_hist = cv2.calcHist( [img_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256] )
print('img_hist.shape:',img_hist.shape)
#归一化到255
minmax=cv2.minMaxLoc(img_hist)
img_hist2 = (255*img_hist/minmax[1]).astype(np.uint8)
#显示
cv2.imshow('img_hist', img_hist)
cv2.imshow('img_hist2', img_hist2)
cv2.waitKey()在这个例子中channels=[0, 1]，取其中的H、S分量计算直方图；histSize=[180, 256]，表示H分量histSize为180，S分量的histSize为256；histRange=[0, 180, 0, 256]，H分量的histRange为0~180，S分量的histRange为0~256。
运行结果：
小结：在一维直方图里x方向表示像素值大小的取值，y方向表示的是该像素值有多少的取值（包含像素值的量的多少），在x轴的左侧表示更暗的像素的多少，x轴的右侧表示更亮的像素的多少。除了通常意义上表示的亮度（灰度级），如果将图像转换为HSV色彩空间，也可以用来表示饱和度、色度的直方图。二维直方图的调用形式在入参上和一维直方图类似，二维直方图可以直接使用imshow()方法显示。