直方图是图像处理过程中的一个分析工具，是使用灰度值或者从灰度级的角度统计图像的特征。
如果从统计的角度看，直方图统计了图像各个灰度级出现的次数，直方图横坐标是像素灰度级，纵坐标是该灰度级的个数。
如果存在一个
5x5
的灰度图，那直方图就是对其中的各个像素值进行统计。
上面 2 张图就是关于直方图统计的说明，但直方图直观的呈现不是表格，而是图形，所以将上述数据进行绘制，即可得到直方图。
直方图中 x 轴表示的是 8 位位图的 256 个灰度级，y 轴表示的是对应灰度级的像素点格式。
基于此还要补充一个知识，叫做归一化的直方图，在很多时候，直方图中 x 轴表示灰度级，但是 y 轴表示灰度级出现的频率，具体就是将次数/总数，例如上表可以修改为：
直方图概念理解之后，还有几个新词需要注意下，
DIMS
、
BINS
、
RANGE
。
DIMS
：基于目前知识，只有一个灰度值，该值为 1，它表示的是收集直方图时，收集的参数数量；
RANGE
：统计灰度级范围，对于灰度图，范围是
[0,255]
；
BINS
：参数子级数目，大概含义可以理解为，将刚才的灰度级做分组处理，一般保持默认即可。
对于
BINS
参数在细说一下，对于灰度图像，灰度级的区间是
[0,255]
，其
BINS
默认是 256，如果按照 16 个灰度级为一组，可以分为 16 个
BINS
。
直方图绘制
Python OpenCV 图像处理之图像直方图，取经之旅第 25 天
本篇博客已经对直方图的绘制进行了说明，先来整体回顾一下。
代码基于
plt.hist()
函数实现直方图，该函数原型为
plt.hist(X,BINS)
运行下述代码，找图片的时候，尽量找颜色分布比较平均的，不要白色或者黑色所占区域特别大，否则得到的直方图效果不明显。
import cv2 as cv
import matplotlib.pyplot as plt
src = cv.imread("./2.png", 0)
cv.imshow("src", src)
plt.hist(src.ravel(), 256)
plt.show()
cv.waitKey()
cv.destroyAllWindows()
上述代码还有一个需要注意的就是 src.ravel() 函数了，该函数用于将二维数组降成一维数组，例如下图所示。
如果将 BINS 设置为 16 得到的结果如下。
Python OpenCV 中的直方图绘制
在 OpenCV 中使用 cv.calcHist 函数计算图像的直方图，本文重点说明一下该函数的返回值。
import cv2 as cv
import matplotlib.pyplot as plt
src = cv.imread("./2.png", 0)
cv.imshow("src", src)
hist = cv.calcHist([src], [0], None, [256], [0, 255])
print(hist)
print(len(hist))
cv.waitKey()
cv.destroyAllWindows()
hist 输出格式如下：
[ 115.]
[ 122.]
[ 115.]
[ 142.]
[ 148.]
[ 152.]
[ 61.]
[ 6.]
[ 0.]]
可以看到最后返回的 hist 是 256 个数字组成的数组，该数组内的元素是各个灰度级的统计个数。
得到 hist 之后，就可以通过 plt.plot 函数将其绘制出来啦。
import cv2 as cv
import matplotlib.pyplot as plt
src = cv.imread("./2.png", 0)
cv.imshow("src", src)
ret_hist = cv.calcHist([src], [0], None, [256], [0, 255])
print(ret_hist)
print(len(ret_hist))
plt.plot(ret_hist)
plt.show()
cv.waitKey()
cv.destroyAllWindows()
掩膜绘制直方图
接下来说明一下掩膜绘制直方图，通过掩膜就是选择图像的一部分区域进行绘制，掩膜白色区域表示透明，可显示图片，黑色区域表示不透明，无法显示图片。
掩膜的原理也可以翻阅以前的博客进行学习，总结下来就是下面两句话
原图像与掩膜中黑色位置对应的部分，这部分就不再显示了，灰度值被置为 0；
原图像与掩膜中白色位置对应的部分，保留原值。
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
src = cv.imread("./2.png", 0)
cv.imshow("src", src)
print(src.shape)
mask = np.zeros(src.shape, np.uint8)
mask[10:150, 40: 200] = 255
mask_img = cv.bitwise_and(src, mask)
cv.imshow("mask", mask_img)
ret_hist = cv.calcHist([src], [0], None, [256], [0, 255])
mask_hist = cv.calcHist([src], [0], mask, [256], [0, 255])
plt.plot(ret_hist)
plt.plot(mask_hist)
plt.show()
cv.waitKey()
cv.destroyAllWindows()
直方图均衡化相关知识补充
直方图均衡化，可以使图像拥有全部可能的灰度级，让像素值的灰度均匀分布，实现的具体步骤如下。
计算累计直方图
对累计直方图进行转换
可以参考下述灰度矩阵，该图像大小为 5x5，具有 8 个灰度级，范围是 [0,7]，计算归一化的统计直方图与累计统计直方图分别如下。
基于上图，可以对原有灰度级空间进行转换，分为两种一种是在原有的灰度空间范围，即 [0,7]，第二种是在更大范围进行转换。
首先看一下在原有范围内实现均衡化，用当前的累计概率乘以 7（灰度级的最大值），得到新的灰度级。
新灰度级与原灰度级个数可以对比得出。
未均衡化之前，灰度级如果区分成 2 组，数据如下：
0~3：4 个像素点，统计的像素个数是 19；
4~7：4 个像素点，统计的像素个数是 6。
均衡化之后，灰度级如果区分成 2 组，数据如下：
0~3：4 个像素点，统计的像素个数是 11；
4~7：4 个像素点，统计的像素个数是 14。
如果希望得到更大范围的直方图，只需要将累计概率乘以更大的灰度级即可，具体可以自行尝试。
橡皮擦的小节
希望今天的 1 个小时你有所收获，我们下篇博客见~
