1.什么是直方图？
在统计学中，直方图(Histogram)是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。一般来说用横轴表示数据类型，纵轴表示分布情况。
直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊（Karl Pearson）首先引入。它是一种条形图。 为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。
直方图也可以被归一化以显示“相对”频率。 然后，它显示了属于几个类别中的每个案例的比例，其高度等于1。
2.图像处理中的直方图与均衡化？
在图像处理中，直方图是非常重要，也非常有用的一个处理要素。
一般来说图像直方图的横轴表示亮度，从左到右表示亮度从低到高。直方图的纵轴表示像素数量，从下到上表示像素从少到多。直方图在某个亮度区间的凸起越高，就表示在这个亮度区间内的像素越多。比如这个直方图的凸起就主要集中在左侧，也就是说这张照片的亮度整体偏低。
而直方图均衡化则是图像对比增强的一种常用方法。
一般来说，图像对比增强的方法分为两大类：一种是直接对比度增强，另外一种是间接对比度增强。
直方图拉伸与直方图均衡化就是两种最常见的间接对比度增强的方法。
直方图均衡化的基本思想就是把原始图像的灰度直方图从比较集中的某个灰度区间变成全部灰度范围内的均匀分布，具体的做法就是通过对图像进行非线性拉伸，重新分配图像的像素值，使一定灰度范围内的像素数量大致相同。
直方图均衡化优点：
1.均衡化后的图像明暗对比更明显。亮的地方更亮，暗的地方更暗，拉开了差距。
2.直方图被均匀分开。
3.增大图像的信息量。
直方图均衡化缺点：
1.变换后图像的灰度级减少，某些细节消失；
2.某些图像，如直方图有高峰，经处理后对比度不自然的过分增强
实验一：计算直方图
调用函数：
skimage.exposure.histogram(image, nbins=256)
在numpy包中，也提供了一个计算直方图的函数histogram()，
返回一个tuple（hist, bins_center), 前一个数组是直方图的统计量，后一个数组是每个bin的中间值
import numpy as np
from skimage import exposure,data
image =data.camera()*1.0
hist1=np.histogram(image, bins=2) #用numpy包计算直方图
hist2=exposure.histogram(image, nbins=2) #用skimage计算直方图
print(hist1)
print(hist2)
run result：
分成两个bin，每个bin的统计量是一样的，但numpy返回的是每个bin的两端的范围值，而skimage返回的是每个bin的中间值
实验二：绘制单通道直方图：
n, bins, patches = plt.hist(arr, bins=10, normed=0, facecolor='black', edgecolor='black',alpha=1，histtype='bar')
hist的参数非常多，但常用的就这六个，只有第一个是必须的，后面四个可选
arr: 需要计算直方图的一维数组
bins: 直方图的柱数，可选项，默认为10
normed: 是否将得到的直方图向量归一化。默认为0
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’
返回值 ：
n: 直方图向量，是否归一化由参数normed设定
bins: 返回各个bin的区间范围
patches: 返回每个bin里面包含的数据，是一个list
from skimage import data
import matplotlib.pyplot as plt
img=data.camera() # 图片 512*512
plt.figure("hist")
arr=img.flatten() # 拉平后 262144
n, bins, patches = plt.hist(arr, bins=256, normed=1,edgecolor='None',facecolor='red')
plt.show()
run result：
实验三：彩色图片三通道直方图的绘制
一般来说直方图都是针对灰度图的，如果要画rgb图像的三通道直方图，实际上就是三个直方图的叠加。
from skimage import data
import matplotlib.pyplot as plt
img=data.coffee()
ar=img[:,:,0].flatten()
plt.hist(ar, bins=256, normed=1,facecolor='r',edgecolor='r')
ag=img[:,:,1].flatten()
plt.hist(ag, bins=256, normed=1, facecolor='g',edgecolor='g')
ab=img[:,:,2].flatten()
plt.hist(ab, bins=256, normed=1, facecolor='b',edgecolor='b')
plt.show()
run result：
注：有时候，网上找的代码，别人可以运行，而你的不行，大部分原因是环境配置不同导致的，比如，库函数的版本不同。
实验四：直方图均衡化
如果一副图像的像素占有很多的灰度级而且分布均匀，那么这样的图像往往有高对比度和多变的灰度色调。直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。它的基本思想是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。
#python3代码
from skimage import data,exposure
import matplotlib.pyplot as plt
img=data.moon()
plt.figure("hist",figsize=(8,8))
arr=img.flatten()
plt.subplot(221)
plt.imshow(img,plt.cm.gray) #原始图像
plt.subplot(222)
plt.hist(arr, bins=256, normed=1,edgecolor='None',facecolor='red') #原始图像直方图
img1=exposure.equalize_hist(img)
arr1=img1.flatten()
plt.subplot(223)
plt.imshow(img1,plt.cm.gray) #均衡化图像
plt.subplot(224)
plt.hist(arr1, bins=256, normed=1,edgecolor='None',facecolor='red') #均衡化直方图
plt.show()
运行结果：
可以看到图像变的更加清晰。
参考和引用：
https://www.csdn.net/gather_2e/MtjaMg3sNDQwMC1ibG9n.html
https://blog.csdn.net/denny2015/article/details/50581784l
https://blog.csdn.net/qq_36941368/article/details/82998296#_5
仅用来个人学习和分享，如有错误，请指正。
如若侵权，留言立删。
尊重他人知识产权，不做拿来主义者！
喜欢的可以关注我哦QAQ，
你的关注和喜欢就是我write博文的动力