Python从零到壹|[Python从零到壹] 五十.图像增强及运算篇之图像直方图理论知识和绘制实现 python|opencv|计算机视觉|直方图

欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望我们都能在人生路上开心快乐、共同成长。
该系列文章主要讲解Python OpenCV图像处理和图像识别知识，前期主要讲解图像处理基础知识、OpenCV基础用法、常用图像绘制方法、图像几何变换等，中期讲解图像处理的各种运算，包括图像点运算、形态学处理、图像锐化、图像增强、图像平滑等，后期研究图像识别、图像分割、图像分类、图像特效处理以及图像处理相关应用。
第二部分将讲解图像运算和图像增强，上一篇文章介绍介绍顶帽运算和底帽运算。这篇文章将进入新的系列，讲解图像直方图理论知识和绘制方法，本文将从OpenCV和Matplotlib两个方面介绍如何绘制直方图，这将为图像处理像素对比提供有效支撑。希望文章对您有所帮助，如果有不足之处，还请海涵。

文章目录

一.图像直方图理论知识
二.OpenCV绘制直方图
三.Matplotlib绘制直方图
四.总结

下载地址：记得点赞喔 O(∩_∩)O

https://github.com/eastmountyxz/Python-zero2one
开源600多页电子书：https://github.com/eastmountyxz/HWCloudImageRecognition

前文赏析：
【Python从零到壹|[Python从零到壹] 五十.图像增强及运算篇之图像直方图理论知识和绘制实现】第一部分基础语法

[Python从零到壹] 一.为什么我们要学Python及基础语法详解
[Python从零到壹] 二.语法基础之条件语句、循环语句和函数
[Python从零到壹] 三.语法基础之文件操作、CSV文件读写及面向对象

第二部分网络爬虫

[Python从零到壹] 四.网络爬虫之入门基础及正则表达式抓取博客案例
[Python从零到壹] 五.网络爬虫之BeautifulSoup基础语法万字详解
[Python从零到壹] 六.网络爬虫之BeautifulSoup爬取豆瓣TOP250电影详解
[Python从零到壹] 七.网络爬虫之Requests爬取豆瓣电影TOP250及CSV存储
[Python从零到壹] 八.数据库之MySQL基础知识及操作万字详解
[Python从零到壹] 九.网络爬虫之Selenium基础技术万字详解（定位元素、常用方法、键盘鼠标操作）
[Python从零到壹] 十.网络爬虫之Selenium爬取在线百科知识万字详解（NLP语料构造必备技能）

第三部分数据分析和机器学习

[Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）
[Python从零到壹] 十三.机器学习之聚类分析万字总结全网首发（K-Means、BIRCH、层次聚类、树状聚类）
[Python从零到壹] 十四.机器学习之分类算法三万字总结全网首发（决策树、KNN、SVM、分类算法对比）
[Python从零到壹] 十五.文本挖掘之数据预处理、Jieba工具和文本聚类万字详解
[Python从零到壹] 十六.文本挖掘之词云热点与LDA主题分布分析万字详解
[Python从零到壹] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解
[Python从零到壹] 十八.可视化分析之Basemap地图包入门详解
[Python从零到壹] 十九.可视化分析之热力图和箱图绘制及应用详解
[Python从零到壹] 二十.可视化分析之Seaborn绘图万字详解
[Python从零到壹] 二十一.可视化分析之Pyechart绘图万字详解
[Python从零到壹] 二十二.可视化分析之OpenGL绘图万字详解
[Python从零到壹] 二十三.十大机器学习算法之决策树分类分析详解(1)
[Python从零到壹] 二十四.十大机器学习算法之KMeans聚类分析详解(2)
[Python从零到壹] 二十五.十大机器学习算法之KNN算法及图像分类详解(3)
[Python从零到壹] 二十六.十大机器学习算法之朴素贝叶斯算法及文本分类详解(4)
[Python从零到壹] 二十七.十大机器学习算法之线性回归算法分析详解(5)
[Python从零到壹] 二十八.十大机器学习算法之SVM算法分析详解(6)
[Python从零到壹] 二十九.十大机器学习算法之随机森林算法分析详解(7)
[Python从零到壹] 三十.十大机器学习算法之逻辑回归算法及恶意请求检测应用详解(8)
[Python从零到壹] 三十一.十大机器学习算法之Boosting和AdaBoost应用详解(9)
[Python从零到壹] 三十二.十大机器学习算法之层次聚类和树状图聚类应用详解(10)

第四部分 Python图像处理基础

[Python从零到壹] 三十三.图像处理基础篇之什么是图像处理和OpenCV配置
[Python从零到壹] 三十四.OpenCV入门详解——显示读取修改及保存图像
[Python从零到壹] 三十五.图像处理基础篇之OpenCV绘制各类几何图形
[Python从零到壹] 三十六.图像处理基础篇之图像算术与逻辑运算详解
[Python从零到壹] 三十七.图像处理基础篇之图像融合处理和ROI区域绘制
[Python从零到壹] 三十八.图像处理基础篇之图像几何变换（平移缩放旋转）
[Python从零到壹] 三十九.图像处理基础篇之图像几何变换（镜像仿射透视）
[Python从零到壹] 四十.图像处理基础篇之图像量化处理
[Python从零到壹] 四十一.图像处理基础篇之图像采样处理
[Python从零到壹] 四十二.图像处理基础篇之图像金字塔向上取样和向下取样

第五部分 Python图像运算和图像增强

[Python从零到壹] 四十三.图像增强及运算篇之图像点运算和图像灰度化处理
[Python从零到壹] 四十四.图像增强及运算篇之图像灰度线性变换详解
[Python从零到壹] 四十五.图像增强及运算篇之图像灰度非线性变换详解
[Python从零到壹] 四十六.图像增强及运算篇之图像阈值化处理
[Python从零到壹] 四十七.图像增强及运算篇之腐蚀和膨胀详解
[Python从零到壹] 四十八.图像增强及运算篇之形态学开运算、闭运算和梯度运算
[Python从零到壹] 四十九.图像增强及运算篇之顶帽运算和底帽运算
[Python从零到壹] 五十.图像增强及运算篇之图像直方图理论知识和绘制实现

第六部分 Python图像识别和图像高阶案例
第七部分 NLP与文本挖掘
第八部分人工智能入门知识
第九部分网络攻防与AI安全
第十部分知识图谱构建实战
扩展部分人工智能高级案例

作者新开的“娜璋AI安全之家”将专注于Python和安全技术，主要分享Web渗透、系统安全、人工智能、大数据分析、图像识别、恶意代码检测、CVE复现、威胁情报分析等文章。虽然作者是一名技术小白，但会保证每一篇文章都会很用心地撰写，希望这些基础性文章对你有所帮助，在Python和安全路上与大家一起进步。

一.图像直方图理论知识灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率。假设存在一幅6×6像素的图像，接着统计其1至6灰度级的出现频率，并绘制如图1所示的柱状图，其中横坐标表示灰度级，纵坐标表示灰度级出现的频率[1-2]。

Python从零到壹|[Python从零到壹] 五十.图像增强及运算篇之图像直方图理论知识和绘制实现

文章图片

如果灰度级为0-255（最小值0为黑色，最大值255为白色），同样可以绘制对应的直方图，如图2所示，左边是一幅灰度图像（Lena灰度图），右边是对应各像素点的灰度级频率。

文章图片

为了让图像各灰度级的出现频数形成固定标准的形式，可以通过归一化方法对图像直方图进行处理，将待处理的原始图像转换成相应的标准形式[3]。假设变量r表示图像中像素灰度级，归一化处理后会将r限定在下述范围：

文章图片

在灰度级中，r为0时表示黑色，r为1时表示白色。对于一幅给定图像，每个像素值位于[0,1]区间之内，接着计算原始图像的灰度分布，用概率密度函数P?实现。为了更好地进行数字图像处理，必须引入离散形式。在离散形式下，用rk表示离散灰度级，P(rk)代替P?，并满足公式（2）。

文章图片

公式中，nk为图像中出现rk这种灰度的像素数，n是图像中像素总数，是概率论中的频数，l是灰度级总数（通常l为256级灰度）。接着在直角坐标系中做出rk和P(rk)的关系图，则成为灰度级的直方图[4]。
假设存在一幅3×3像素的图像，其像素值如公式（3）所示，则归一化直方图的步骤如下：

文章图片

首先统计各灰度级对应的像素个数。用x数组统计像素点的灰度级，y数组统计具有该灰度级的像素个数。其中，灰度为1的像素共3个，灰度为2的像素共1个，灰度为3的像素共2个，灰度为4的像素共1个，灰度为5的像素共2个。

文章图片

接着统计总像素个数，如公式（5）所示。

文章图片

最后统计各灰度级的出现概率，通过公式（6）进行计算，其结果如下：

文章图片

绘制的归一化图行如图3所示，横坐标表示图像中各个像素点的灰度级，纵坐标表示出现这个灰度级的概率。

文章图片

直方图被广泛应用于计算机视觉领域，在使用边缘和颜色确定物体边界时，通过直方图能更好地选择边界阈值，进行阈值化处理。同时，直方图对物体与背景有较强对比的景物的分割特别有用，可以应用于检测视频中场景的变换及图像中的兴趣点。
二.OpenCV绘制直方图首先讲解使用OpenCV库绘制直方图的方法。在OpenCV中可以使用calcHist()函数计算直方图，计算完成之后采用OpenCV中的绘图函数，如绘制矩形的rectangle()函数，绘制线段的line()函数来完成。其中，cv2.calcHist()的函数原型及常见六个参数如下：
hist = cv2.calcHist(images, channels, mask, histSize, ranges, accumulate)

hist表示直方图，返回一个二维数组
images表示输入的原始图像
channels表示指定通道，通道编号需要使用中括号，输入图像是灰度图像时，它的值为[0]，彩色图像则为[0]、[1]、[2]，分别表示蓝色（B）、绿色（G）、红色（R）
mask表示可选的操作掩码。如果要统计整幅图像的直方图，则该值为None；如果要统计图像的某一部分直方图时，需要掩码来计算
histSize表示灰度级的个数，需要使用中括号，比如[256]
ranges表示像素值范围，比如[0, 255]
accumulate表示累计叠加标识，默认为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的直方图计算

接下来的代码是计算图像各灰度级的大小、形状及频数，接着调用plot()函数绘制直方图曲线。

# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt import matplotlib#读取图像 src = https://www.it610.com/article/cv2.imread('lena-hd.png')#计算256灰度级的图像直方图 hist = cv2.calcHist([src], [0], None, [256], [0,255])#输出直方图大小、形状、数量 print(hist.size) print(hist.shape) print(hist)#设置字体 matplotlib.rcParams['font.sans-serif']=['SimHei']#显示原始图像和绘制的直方图 plt.subplot(121) plt.imshow(src, 'gray') plt.axis('off') plt.title("(a)Lena灰度图像")plt.subplot(122) plt.plot(hist, color='r') plt.xlabel("x") plt.ylabel("y") plt.title("(b)直方图曲线") plt.show()

上述代码绘制的“Lena”灰度图像所对应的直方图曲线如图4所示，图4(a)表示原图像，图4(b)表示对应的灰度直方图曲线。

文章图片

同时输出直方图的大小、形状及数量，如下所示：

256 (256L, 1L) [[7.000e+00] [1.000e+00] [0.000e+00] [6.000e+00] [2.000e+00] .... [1.000e+00] [3.000e+00] [2.000e+00] [1.000e+00] [0.000e+00]]

彩色图像调用OpenCV绘制直方图的算法与灰度图像一样，只是从B、G、R三个放量分别进行计算及绘制，具体代码如下所示。

# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt import matplotlib#读取图像 src = https://www.it610.com/article/cv2.imread('lena.png')#转换为RGB图像 img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)#计算直方图 histb = cv2.calcHist([src], [0], None, [256], [0,255]) histg = cv2.calcHist([src], [1], None, [256], [0,255]) histr = cv2.calcHist([src], [2], None, [256], [0,255])#设置字体 matplotlib.rcParams['font.sans-serif']=['SimHei']#显示原始图像和绘制的直方图 plt.subplot(121) plt.imshow(img_rgb, 'gray') plt.axis('off') plt.title("(a)Lena原始图像") plt.subplot(122) plt.plot(histb, color='b') plt.plot(histg, color='g') plt.plot(histr, color='r') plt.xlabel("x") plt.ylabel("y") plt.title("(b)直方图曲线") plt.show()

最终绘制的“Lena”彩色图像及其对应的彩色直方图曲线如图5所示，其中图5(a)表示Lena原始图像，图5(b)表示对应的彩色直方图曲线。

文章图片

三.Matplotlib绘制直方图 Matplotlib是Python强大的数据可视化工具，主要用于绘制各种2D图形。本小节Python绘制直方图主要调用matplotlib.pyplot库中hist()函数实现，它会根据数据源和像素级绘制直方图。其函数主要包括五个常用的参数，如下所示：
n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor=‘green’, alpha=0.75)

arr表示需要计算直方图的一维数组
bins表示直方图显示的柱数，可选项，默认值为10
normed表示是否将得到的直方图进行向量归一化处理，默认值为0
facecolor表示直方图颜色
alpha表示透明度
n为返回值，表示直方图向量
bins为返回值，表示各个bin的区间范围
patches为返回值，表示返回每个bin里面包含的数据，是一个列表

图像直方图的Python实现代码如下所示，该示例主要是通过matplotlib.pyplot库中的hist()函数绘制的。注意，读取的“lena-hd.png”图像的像素为二维数组，而hist()函数的数据源必须是一维数组，通常需要通过函数ravel()拉直图像。

# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt#读取图像 src = https://www.it610.com/article/cv2.imread('lena-hd.png')#绘制直方图 plt.hist(src.ravel(), 256) plt.xlabel("x") plt.ylabel("y") plt.show()#显示原始图像 cv2.imshow("src", src) cv2.waitKey(0) cv2.destroyAllWindows()

读取显示的“lena”灰度图像如图6所示。

文章图片

最终的灰度直方图如图7所示，它将Lena图256级灰度和各个灰度级的频数绘制出来，其中x轴表示图像的256级灰度，y轴表示各个灰度级的频数。

文章图片

如果调用下列函数，则绘制的直方图是经过标准化处理，并且颜色为绿色、透明度为0.75的直方图，如图8所示。

plt.hist(src.ravel(), bins=256, density=1, facecolor=‘green’, alpha=0.75)

文章图片

彩色直方图是高维直方图的特例，它统计彩色图片RGB各分量出现的频率，即彩色概率分布信息。彩色图片的直方图和灰度直方图一样，只是分别画出三个通道的直方图，然后再进行叠加，其代码如下所示。Lena彩色原始图像如图9所示。

文章图片

# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt#读取图像 src = https://www.it610.com/article/cv2.imread('Lena.png')#获取BGR三个通道的像素值 b, g, r = cv2.split(src)#绘制直方图 plt.figure("Lena") #蓝色分量 plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75) #绿色分量 plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75) #红色分量 plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75) plt.xlabel("x") plt.ylabel("y") plt.show()#显示原始图像 cv2.imshow("src", src) cv2.waitKey(0) cv2.destroyAllWindows()

绘制的彩色直方图如图10所示，包括红色、绿色、蓝色三种对比。

文章图片

如果希望将三个颜色分量的柱状图分开绘制并进行对比，则使用下面的代码实现，调用plt.figure(figsize=(8, 6))函数绘制窗口，以及plt.subplot()函数分别绘制4个子图。

# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt import matplotlib#读取图像 src = https://www.it610.com/article/cv2.imread('lena.png')#转换为RGB图像 img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)#获取BGR三个通道的像素值 b, g, r = cv2.split(src) print(r,g,b)plt.figure(figsize=(8, 6))#设置字体 matplotlib.rcParams['font.sans-serif']=['SimHei']#原始图像 plt.subplot(221) plt.imshow(img_rgb) plt.axis('off') plt.title("(a)原图像")#绘制蓝色分量直方图 plt.subplot(222) plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75) plt.xlabel("x") plt.ylabel("y") plt.title("(b)蓝色分量直方图")#绘制绿色分量直方图 plt.subplot(223) plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75) plt.xlabel("x") plt.ylabel("y") plt.title("(c)绿色分量直方图")#绘制红色分量直方图 plt.subplot(224) plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75) plt.xlabel("x") plt.ylabel("y") plt.title("(d)红色分量直方图") plt.show()

最终输出的图形如图11所示,，图11(a)表示原图像，图11(b)表示蓝色分量直方图，图11?表示绿色分量直方图，图11(d)表示红色分类直方图。

文章图片

四.总结本文主要讲解图像直方图理论知识以及直方图绘制方法，并且包括Matplotlib和OpenCV两种统计及绘制方法。灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率。这篇文章的知识点将为后续图像处理和图像运算对比提供支撑。
感谢在求学路上的同行者，不负遇见，勿忘初心。图像处理系列主要包括三部分，分别是：

文章图片

文章图片

(By:Eastmount 2022-08-10 夜于武汉 http://blog.csdn.net/eastmount/ )
参考文献：

[1] 冈萨雷斯. 数字图像处理（第3版）[M]. 北京：电子工业出版社, 2013.
[2] 张恒博, 欧宗瑛. 一种基于色彩和灰度直方图的图像检索方法[J]. 计算机工程, 2004.
[3] Eastmount. [数字图像处理] 四.MFC对话框绘制灰度直方图[EB/OL]. (2015-05-31). https://blog.csdn.net/eastmount/article/details/46237463.
[4] 阮秋琦. 数字图像处理学（第3版）[M]. 北京：电子工业出版社, 2008.
[5] Eastmount. [Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图[EB/OL]. (2018-11-06). https://blog.csdn.net/Eastmount/article/details/83758402.