opencv里面直方图的意义

Love The Way You Lie 2022-05-25 08:14 210阅读 0赞

###  ###

什么是直方图

直方图是一种图表类型，在计算机视觉领域通常用来指反映图片的亮度，色彩，强度在整个图片里面的分布情况。直方图我们可以理解成另一种理解图片的方式。

直方图可以是彩色的图片，也可以是灰度图，直方图的X轴的范围是（0-255），Y轴则是不同像素值上，像素的数量，如果是彩色的图片Y轴则会有R,G,B三种像素展示，如果是灰度值则只有一种像素展示。

###  ###

一些术语

> BINS: 默认情况直方图是显示0-255范围内每个像素值的像素的数量，当然我们也可以设置一个个区间来统计这个区间内的像素值的数量，比如（0-15）,（16-31）,（240-255） [例子连接][Link 1]  这里面的16个单独的区间都可以叫做一个BIN(英文箱子的意思)

> DIMS: 维度，它代表收集颜色通道的个数，如果是灰度图这个值就是1，如果一个彩色图那么DIMS就是3

> RANGE: 代表你想测量亮度的范围，正常下是\[0-255\]代表所有的像素值

###  ###

使用方法

直方图可以通过opencv的内置的函数来展示，也可以通过numpy的函数来展示，这里推荐使用numpy来打印直方图，opencv内置的方法代码比较长，所以大多数时候都建议使用numpy的函数来展示，代码如下：

\#  \- \* \-  coding : utf \-8  \- \* \-  import  matplotlib . pyplot  as  plt  import  numpy  as  np  import  cv2  as  cv  "" " 打印一个灰度图片的直方图  "" " img  =  cv . imread ( 'E:\\\\tmp\\\\cat.jpg' )  cv . imshow ( "orgin" , img )  def  gray\_histogram ( ) :  "" " 灰度图  : return :  "" " \# ravel方法代表返回一个连续扁平化的数组 \# hist参数：数组，bin数量，像素值范围 gray = cv . cvtColor ( img , cv . COLOR\_BGR2GRAY )  plt . hist ( gray . ravel ( ) ,  256 ,  \[ 0 ,  256 \] )  def  color\_histogram ( ) :  "" " 彩色图  : return :  "" " \# 蓝 绿 红 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 ( \[ 0 ,  256 \] )  gray\_histogram ( )  \#  color\_histogram ( )  plt . show ( )  cv . waitKey ( 0 )

（1）原图

![zv9wvxndv.png][]

添加描述

（2）灰度直方图

![qlfg2vs8u3.png][]

添加描述

（3）彩色直方图

![a9531uqgsw.png][]

添加描述

###  ###

直方图的意义

在计算机视觉领域，常常要处理各种各样的图片，通过观察图片的直方图，可以使我们在加工图片时更加合理的调整一些函数的参数，比如边缘检测，高斯模糊，切割，透视，二值化等等。

参考文档：

[https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.ravel.html][https_docs.scipy.org_doc_numpy-1.14.0_reference_generated_numpy.ravel.html]

[https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.histogram.html][https_docs.scipy.org_doc_numpy-1.14.0_reference_generated_numpy.histogram.html]

[https://docs.opencv.org/3.1.0/d1/db7/tutorial\_py\_histogram\_begins.html][https_docs.opencv.org_3.1.0_d1_db7_tutorial_py_histogram_begins.html]

[Link 1]: http://docs.opencv.org/doc/tutorials/imgproc/histograms/histogram_calculation/histogram_calculation.html#histogram-calculation
[zv9wvxndv.png]: /images/20220525/e76a10df88594c868891d3e41f318707.png
[qlfg2vs8u3.png]: /images/20220525/2ad9e1fbc722494098dc1bac0e4c6aca.png
[a9531uqgsw.png]: /images/20220525/db84e0dd000c48d9a0a27aae6fd90042.png
[https_docs.scipy.org_doc_numpy-1.14.0_reference_generated_numpy.ravel.html]: https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.ravel.html
[https_docs.scipy.org_doc_numpy-1.14.0_reference_generated_numpy.histogram.html]: https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.histogram.html
[https_docs.opencv.org_3.1.0_d1_db7_tutorial_py_histogram_begins.html]: https://docs.opencv.org/3.1.0/d1/db7/tutorial_py_histogram_begins.html