1.查找直方图
直方图是在X轴上具有像素值（不总是从0到255的范围），在Y轴上具有图像中相应像素数的图。通过查看图像的直方图，可以直观地了解该图像的对比度，亮度，强度分布等。
相关概念
- BINS：
直方图显示每个像素值的像素数。若需要256个值来显示上直方图即从0到255，则bin的数量为256个（每个像素一个）；若需要找到介于0到15之间的像素数，然后找到16到31之间，…，240到255之间的像素数。只需要16个值即可表示直方图，这种情况bin的数量仅为16个。
- DIMS：
收集数据的参数的数量。在这种情况下，仅收集关于强度值的一件事的数据。所以这里是1。
- RANGE：
要测量的强度值的范围。通常，它是 [0,256] ，即所有强度值。
OpenCV中的直方图计算
主要使用cv.calcHist()函数来实现。
cv.calcHist（images，channels，mask，histSize，ranges [，hist [，accumulate]]）
参数如下：
- images：它是uint8或float32类型的源图像。它应该放在方括号中，即“[img]”
- channels：也以方括号给出。它是计算直方图的通道的索引。例如，如果输入为灰度图像，则其值为[0]。对于彩色图像，可以传递[0]，[1]或[2]分别计算蓝色，绿色或红色通道的直方图
- mask：图像掩码。为了找到完整图像的直方图，将其指定为“无”。但是，如果要查找图像特定区域的直方图，则必须为此创建一个掩码图像并将其作为掩码
- histSize：BIN计数。需要放在方括号中。对于全尺寸为[256]
- ranges：通常为[0,256]
- 返回值：N*1的数组，每个值对应于该图像中具有相应像素值的像素数
numpy的直方图计算
主要使用np.histogram()函数来实现。
histogram(a,bins,range=None,weights=None,density=False)
参数如下：
- a：待统计数据的数组
- bins：指定统计的区间个数
- range：一个长度为2的元组，表示统计范围的最小值和最大值，默认值None，表示范围由数据的范围决定
- weights：为数组的每个元素指定了权值，histogram()会对区间中数组所对应的权值进行求和
- density：为True时，返回每个区间的概率密度；为False，返回每个区间中元素的个数
- 返回值：hist和bins。hist是N*1的数组，每个值对应于该图像中具有相应像素值的像素数。bins将具有257个元素，因为Numpy计算出bin的范围为 0-0.99 、1-1.99 、 2-2.99 等。因此最终范围为 255-255.99 。为了表示这一点，还在最后添加了256。
对于一维直方图，可以使用np.bincount()来实现。
代码示例：
hist = np.bincount(img.ravel()，minlength = 256)
代码示例：
import numpy as np
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
hist1 = cv.calcHist([img_gray], [0], None, [256], [0, 256])
hist2, bins2 = np.histogram(img_gray, 257)
print(hist1, hist2, bins2)
2.绘制直方图
方法一：使用Matplotlib
主要使用matplotlib.pyplot.hist()函数来实现。
matplotlib.pyplot.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype=u'bar', align=u'mid', orientation=u'vertical', rwidth=None, log=False, color=None, label=None, stacked=False, hold=None, **kwargs)
参数如下：
- x : 指定每个bin分布的数据,对应x轴
- bins : 指定bin的个数,也就是总共有几条条状图
- range：表示统计范围的最小值和最大值，默认值None，表示范围由数据的范围决定
- normed : 指定密度,也就是每个条状图的占比例比,默认为1
- weights：为数组的每个元素指定了权值,histogram()会对区间中数组所对应的权值进行求和
- color : 指定条状图的颜色
- facecolor: 直方图颜色
- edgecolor: 直方图边框颜色
- alpha: 透明度
- histtype: 直方图类型，‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’
代码示例：
from matplotlib import pyplot as plt
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
plt.hist(img_gray.ravel(), 256, [0, 256])
plt.show()
也可以使用matplotlib.pyplot.plot()函数来实现。
plot([x], y, [fmt], *, data=None, **kwargs)
函数用来绘制线条或标记的轴。参数是一个可变长度参数，允许多个X、Y对可选的格式字符串。
代码示例：
from matplotlib import pyplot as plt
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
histr = cv.calcHist([img], [i], None, [256], [0, 256])
plt.plot(histr, color = col)
plt.xlim([0, 256]) #获取或者是设定x座标轴的范围
plt.show()
方法二：使用OpenCV
调整直方图的值及其bin值，使其看起来像x，y坐标，以便使用cv.line()或cv.polyline()函数绘制它以生成与上述相同的图像。
3.掩码应用
用于只想找到某些指定区域的直方图。创建一个掩码图像，在要找到直方图的地方设为白色，否则为黑色。然后把这个作为掩码传递。
代码示例：
from matplotlib import pyplot as plt
import numpy as np
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv.bitwise_and(img,img,mask = mask)
# 计算掩码区域和非掩码区域的直方图
# 检查作为掩码的第三个参数
hist_full = cv.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv.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')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()
