Python|Python OpenCV 直方图（五） Python|OpenCV

直方图
python 调用 calcHist 返回 hist （直方图）
calcHist 函数:

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

参数说明： images--图像对像
channels--用于计算直方图的通道
Mask--
histSize--表示直方图分成多少份（多少个直方柱）
ranges--表示直方图中各个像素的值，[0.0, 256.0]表示直方图能表示像素值从0.0到256的像素
hist--
accumulate--是一个布尔值，表示直方图是否叠加

灰度图计算

#!/usr/bin/env python # encoding: utf-8import cv2 import numpy as npimage = cv2.imread("D:/histTest.jpg", 0) hist = cv2.calcHist([image], [0], #使用的通道 None, #没有使用mask [256], #HistSize [0.0,255.0]) #直方图柱的范围

彩色图像（多通道）直方图
使用 OpenCV 方法
步骤： 1. 读取并分离各通道
2.计算每个通道的直方图

#!/usr/bin/env python # encoding: utf-8import cv2 import numpy as npdef calcAndDrawHist(image, color): hist= cv2.calcHist([image], [0], None, [256], [0.0,255.0]) ''' minMaxLoc寻找矩阵(一维数组当作向量,用Mat定义) 中最小值和最大值的位置注意：多通道图像在使用minMaxLoc()函数是不能给出其最大最小值坐标的，因为每个像素点其实有多个坐标，所以是不会给出的。因此在编程时，这2个位置应该给NULL。 ''' minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist) #创建绘制直方图的的图像，由于值全为0 所以它是黑色的 histImg = np.zeros([256,256,3], np.uint8)hpt = int(0.9* 256) #直方图的范围限定在0-255×0.9之间for h in range(256): intensity = int(hist[h]*hpt/maxVal)# 计算直方图的最大值再乘以一个系数''' 绘制线 histImg --图像 (h,256)--线段的第一个端点 (h,256-intensity)--线段的第二个端点 color--线段的颜色 ''' cv2.line(histImg,(h,256), (h,256-intensity), color)return histImg; if __name__ == '__main__': img = cv2.imread("mini.jpg") b, g, r = cv2.split(img)# 使用Opencv 自带的分离函数 splithistImgB = calcAndDrawHist(b, [255, 0, 0]) histImgG = calcAndDrawHist(g, [0, 255, 0]) histImgR = calcAndDrawHist(r, [0, 0, 255])cv2.imshow("histImgB", histImgB) cv2.imshow("histImgG", histImgG) cv2.imshow("histImgR", histImgR) cv2.imshow("Img", img) cv2.waitKey(0) cv2.destroyAllWindows()

在一张图上绘制，这样不用再分离通道，用折线来描绘直方图的边界即可

#!/usr/bin/env python # encoding: utf-8import cv2 import numpy as npimg = cv2.imread('mini.jpg') h = np.zeros((256,256,3)) #创建用于绘制直方图的全0图像bins = np.arange(256).reshape(256,1) #直方图中各bin的顶点位置 color = [ (255,0,0),(0,255,0),(0,0,255) ] #BGR三种颜色''' 对三个通道遍历一次，每次绘制相应通道的直方图的折线 ''' for ch, col in enumerate(color): #计算对应通道的直方图 originHist = cv2.calcHist([img],[ch],None,[256],[0,256]) ''' OpenCV的归一化函数。该函数将直方图的范围限定在0-255×0.9之间 ''' cv2.normalize(originHist, originHist,0,255*0.9,cv2.NORM_MINMAX)''' 先将生成的原始直方图中的每个元素四舍六入五凑偶取整（cv2.calcHist函数得到的是float32类型的数组）注意，这里必须使用np.int32(...)进行转换， numpy的转换函数可以对数组中的每个元素都进行转换，而Python的int(...)只能转换一个元素，如果使用int(...)，将导致only length-1 arrays can be converted to Python scalars错误。 ''' hist=np.int32(np.around(originHist))''' 将直方图中每个bin的值转成相应的坐标。如hist[0] =3，...，hist[126] = 178，...，hist[255] = 5；而bins的值为[[0],[1],[2]...,[255]] 使用np.column_stack将其组合成[0, 3]、[126, 178]、[255, 5]这样的坐标作为元素组成的数组。 ''' pts = np.column_stack((bins,hist))''' polylines 根据这些点绘制出折线 False--指出这个折线不需要闭合 col--指定了折线的颜色 ''' cv2.polylines(h,[pts],False,col)''' 反转绘制好的直方图，因为绘制时，[0,0]在图像的左上角 ''' h=np.flipud(h)cv2.imshow('colorhist',h) cv2.waitKey(0)

使用Numpy 直方图计算
NumPy中histogram函数应用到一个数组返回一对变量：直方图数组和箱式向量。注意：matplotlib也有一个用来建立直方图的函数(叫作hist,正如matlab中一样)与NumPy中的不同。主要的差别是pylab.hist自动绘制直方图，而numpy.histogram仅仅产生数据。

#!/usr/bin/env python # encoding: utf-8import cv2 import numpy as npimg = cv2.imread('mini.jpg') h = np.zeros((300,256,3)) bins = np.arange(257) bin = bins[0:-1] color = [ (255,0,0),(0,255,0),(0,0,255) ]for ch,col in enumerate(color): item = img[:,:,ch] N,bins = np.histogram(item,bins) v=N.max() N = np.int32(np.around((N*255)/v)) N=N.reshape(256,1) pts = np.column_stack((bin,N)) cv2.polylines(h,[pts],False,col)h=np.flipud(h)cv2.imshow('img',h) cv2.waitKey(0)