啥叫直方圖
直方圖簡單來說就是圖像中每個像素值的個數統計，比如一副灰度圖中像素值為0的有多少個，1的有多少個...
在計算直方圖之前，先了解幾個術語：
- dims：要計算的通道數，對於灰度圖dims=1，普通彩色圖dims=3
- range：要計算的像素值范圍，一般為[0，255]
- bins：子區段數目，如果我們統計0~255每個像素值，bins=256；如果划分區間，比如0~15，16~31...240~255這樣16個區間，bins=16
計算直方圖
OpenCV和Numpy中提供了計算直方圖的函數，我們對比一下他們的性能
OpenCV中直方圖計算
在OpenCV中使用 cv2.calcHist(images，channels，mask，histSize，ranges) 計算，其中：
- 參數1：要計算的原圖，以方括號的傳入，如：[img]
- 參數2：類似前面提到的dims，灰度圖寫[0]就行，彩色圖B、G、R分別傳入[0]、[1]、[2]
- 參數3：要計算的區域，計算整幅圖的話，寫None
- 參數4：前面提到的bins
- 參數5：前面提到的range
import cv2 import numpy as np import matplotlib.pyplot as plt
start = cv2.getTickCount() img = cv2.imread('hist.jpg', 0) hist = cv2.calcHist([img], [0], None, [256], [0, 256]) end = cv2.getTickCount() print((end - start) / cv2.getTickFrequency())
這里我使用到了評估代碼運行時間，且並沒有給出最初最后print（）函數輸出的結果，其實這個結果一直在變化。這里簡單的介紹一下獲取代碼運行時間的兩種方式
第一種：
import cv2 start = cv2.getTickCount() # 這里寫測試代碼... end = cv2.getTickCount() print((end - start) / cv2.getTickFrequency())
這段代碼就是用來測量程序運行時間（單位：s），其中cv2.getTickCount()函數得到電腦啟動以來的時鍾周期數，cv2.getTickFrequency()返回你電腦的主頻，前后相減再除以主頻就是你代碼的運行時間。我這里就是使用的第一種
第二種：使用Python中的time模塊計時：
import time start = time.clock() # 這里寫測試代碼... end = time.clock() print(end - start)
Numpy中直方圖計算
也可用Numpy的函數計算，使用 ravel() 函數 將二維矩陣展平變成一維數組，
hist, bins = np.histogram(img.ravel(), 256, [0, 256])
還有一種更高效的的方式：
hist = np.bincount(img.ravel(), minlength=256)
繪制直方圖
其實Matplotlib自帶了一個計算並繪制直方圖的功能，不需要用到上面的函數
plt.hist(img.ravel(), 256, [0, 256])
plt.show()
從直方圖上可以看出圖片的像素點集中子150附近，圖片偏灰白，效果不好。接下來我們來看看如何來改善它。
當然，我們也可以用前面計算出來的結果繪制：
plt.plot(hist)
plt.show()
直方圖的均衡化
一幅效果好的圖像通常在直方圖上的分布比較均勻，直方圖均衡化就是用來改善圖像的全局亮度和對比度的。
OpenCV中用cv2.equalizeHist()實現均衡化，我們把兩張圖片並排顯示一下，對比一下：
equ = cv2.equalizeHist(img) cv2.imshow('equalization', np.hstack((img, equ))) # 並排顯示 cv2.waitKey(0)
均衡后的直方圖：
plt.hist(equ.ravel(), 256, [0, 256])
plt.show()
可以看出均衡后的直方圖明顯好於原圖。均衡后的圖片的亮度和對比度效果明顯好於原圖
自適應均衡化
直方圖均衡化是應用於整幅圖片的，那是不是所有圖片都適合？會不會出現什么問題？看下圖：
很明顯，因為全局調整亮度和對比度的原因，臉部太亮，大部分細節都丟失了。
自適應均衡化就是解決這一問題的：它在每一個小區域內（默認8x8）進行直方圖均衡化。當然，如果有噪點的話，噪點會被放大，需要對小區域的對比度進行了限制，所以這個算法全稱叫：對比度受限的自適應直方圖均衡化 CLAHE （Contrast Limited Adaptive Histogram Equalization）
# 自適應均衡化，參數可選 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) cl1 = clahe.apply(img) cv2.imshow('equalization', np.hstack((equ, cl1))) # 並排顯示 cv2.waitKey(0)
效果比均衡化效果要好，至少臉部的細節保留了
使用掩膜
要統計圖像某個局部區域的直方圖只需要構建一副掩膜圖像。將要統計的部分設置為白色，其余部分為黑色，就構成了一副掩膜圖像。然后把這個掩膜圖像傳給函數就可以了。
img = cv2.imread('home.jpg', 0) # 創建一個掩膜 mask = np.zeros(img.shape[:2], np.uint8) # 取彩色通道的長寬 mask[0 : 200, 0 : 200] = 255 masked_img = cv2.bitwise_and(img, img, mask = mask) Original_Hist = cv2.calcHist([img], [0], None, [256], [0, 256]) masked_img_Hist = cv2.calcHist([img], [0], mask, [256], [0, 256]) plt.subplot(231), plt.imshow(img, 'gray') plt.subplot(232), plt.imshow(mask, 'gray') plt.subplot(233), plt.imshow(masked_img, 'gray') plt.subplot(234), plt.plot(Original_Hist) plt.subplot(235), plt.plot(masked_img_Hist) plt.subplot(236), plt.plot(Original_Hist), plt.plot(masked_img_Hist) plt.show()
其中在混合的那副直方圖中，藍色為原圖的直方圖，橙色為進行掩膜之后的直方圖。