本教程将学习如下内容：
- 学习使用OpenCV和Numpy函数查找直方图
- 介绍两个关键函数：
cv2.calcHist()、np.hostogram()
扩展阅读:
理论基础
直方图是什么呢？您可以将直方图视为一个图形或绘图，可以对图像的强度分布有一个总体的了解。 这是一个X轴上像素值（范围从0到255，并不总是如此）和Y轴上图像中相应像素数的图。
这只是理解图像的另一种方式。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。 几乎所有的图像处理工具都提供直方图功能。 以下是剑桥色彩网站上的图片，建议访问该网站以获取更多详细信息。
可以看到图像及其直方图。（记住，此直方图是为灰度图像绘制的，而不是为彩色图像绘制的）。 直方图的左侧区域显示图像中较暗像素的数量，右侧区域显示较亮像素的数量。 从直方图中可以看到暗区比亮区多，中间色调的数量（中间范围的像素值，比如127左右）非常少。
查找直方图
现在我们对直方图有了一个概念，可以研究如何找到它。OpenCV和Numpy都内置了此功能。 在使用这些函数之前，需要了解一些与直方图相关的术语。
BINS：上面的直方图显示了每个像素值的像素数，即从0到255。 即需要256个值来显示上面的直方图。但是如果不需要分别找到所有像素值的像素数，而是需要找到像素值区间内的像素数呢？ 例如，需要找到0到15之间的像素数，然后是16到31。。。，240至255。 只需要16个值来表示直方图。这就是OpenCV教程中关于直方图的示例所示。
因此，只需将整个直方图拆分为16个子部分，每个子部分的值就是其中所有像素计数的总和。 每个子部分称为“BIN”。在第一种情况下，仓的数量为256（每个像素一个），而在第二种情况下只有16个。 BINS在OpenCV文档中由术语histSize表示。
DIMS：这是收集数据的参数数量。在这种情况下，只收集关于一件事的数据，即强度值。所以这里是1。
RANGE：这是要测量的强度值的范围。通常，它是[0,256]（所有强度值）。
OpenCV 中的直方图计算
所以现在使用cv2.calcHist()函数来查找直方图。先熟悉一下函数及其参数：
cv2.calcHist(images, channels, mask, histSize, ranges\[, hist\[,accumulate\]\])images：它是uint8或float32类型的源图像，应该放在方括号内，即[img]。channels：它也在方括号中给出，是计算直方图的通道指数。例如，如果输入是灰度图像，则其值为[0]。对于彩色图像，可通过[0]、[1]或[2]分别计算蓝色、绿色或红色通道的直方图。mask：遮罩图像。为了找到完整图像的直方图，将其设置为“无”。但是，如果想找到图像特定区域的直方图，必须为此创建一个掩模图像，并将其作为掩模。（稍后将展示一个示例。）histSize：这代表BIN计数。需要放在方括号内。对于全尺寸，需要传递[256]。ranges：这是范围，通常为[0256]。
那么，让我们从一个示例图像开始。只需在灰度模式下加载图像并找到其完整的直方图。
import cv2
import numpy as np
img = cv2.imread('/data/cvdata/home.jpg',0)
hist = cv2.calcHist([img],[0],None,[256],[0,256])
hist,bins = np.histogram(img.ravel(),256,[0,256])
hist和之前计算的一样。但是bin将有257个元素，因为Numpy将bin计算为0-0.99、1-1.99、2-2.99等。
因此，最终的射程将是255-255.99。为了表示这一点，还在箱子的末尾添加了256个。
但我们不需要256。255就足够了。
Numpy还有另一个函数np.bincount()，它比np.hostogram()快得多（大约10倍）。
所以对于一维直方图，可以更好地尝试一下。
别忘了在np.bincount中设置minlength=256。例如，hist=np.bincount（img.ravel()，minlength=256）。
注意：
OpenCV函数比np.hostogram()快（大约40倍）。所以坚持使用OpenCV函数。
那么如何绘制直方图呢？
绘制直方图
有如下两种方法，
- Short Way：使用 Matplotlib 绘图函数
- Long Way：使用 OpenCV 绘图功能
使用Matplotlib
Matplotlib附带了一个直方图绘制函数：Matplotlib.pyplot.hist()
它直接找到直方图并绘制出来，不需要使用calcHist()或np.hostogram()函数来查找直方图。
请参阅下面的代码：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('/data/cvdata/home.jpg',0)
plt.hist(img.ravel(),256,[0,256]); plt.show()
/tmp/ipykernel_992/175618049.py:2: MatplotlibDeprecationWarning: Passing the range parameter of hist() positionally is deprecated since Matplotlib 3.9; the parameter will become keyword-only in 3.11. plt.hist(img.ravel(),256,[0,256]); plt.show()
如下图所示:
或者可以使用matplotlib的法线图，这对BGR图很有帮助。 为此，需要先找到直方图数据。请尝试以下代码：
%matplotlib inline
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('/data/cvdata/home.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
histr = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256])
plt.show()
img = cv2.imread('/data/cvdata/home.jpg',0)
生成掩膜。
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:400] = 255
masked_img = cv2.bitwise_and(img,img,mask = mask)
计算带掩膜和不带掩膜的直方图：
注意第三个参数用于传递掩膜。
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')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()
如图所示，直方图中蓝线代表全图像素分布，绿线则对应掩膜区域的统计结果。