本文分享内容来自图书**《学习OpenCV 4：基于Python的算法实战》**，该书内容如下：
第1章 OpenCV快速入门；
第2章 图像读写模块imgcodecs；
第3章 核心库模块core；
第4章 图像处理模块imgproc（一）；
第5章 图像处理模块imgproc（二）；
第6章 可视化模块highgui；
第7章 视频处理模块videoio；
第8章 视频分析模块video；
第9章 照片处理模块photo；
第10章 2D特征模块features2d；
第11章 相机标定与三维重建模块calib3d；
第12章 传统目标检测模块objdetect；
第13章 机器学习模块ml；
第14章 深度神经网络模块dnn
欢迎关注图书《深度学习计算机视觉实战》与《学习OpenCV4：基于Python的算法实战》。
直方图是一种揭示数据分布的统计特性的工具，它是将数据归入到预先定义的不同的组中，并对每个组进行计数，用以表示数据的统计分布信息。在图像处理中，可以使用直方图统计图像中亮度或者像素灰度值，也可以对提取的图像特征进行计数形成直方图，它是计算机视觉中图像特征分析的一种重要工具。
5.7.1 案例57：直方图计算
OpenCV中直方图计算的函数为calcHist，函数定义如下：
hist = calcHist(images, channels, mask, histSize, ranges, hist=None, accumulate=None)
参数说明如下：
images，输入图像；
channels，用于计算直方图的通道列表；
mask，掩模，计算掩模内的直方图；
histSize，直方图分成的区间数；
ranges，统计像素值的区间；
hist，输出的直方图数组（返回值）；
accumulate，多图像是否累积计算像素值个数。
本案例使用的输入图像如图3.10所示，直方图计算并绘制的案例代码如下：
import cv2
import numpy as np
img = cv2.imread('src.jpg')
# 计算通道0直方图
hist = cv2.calcHist([img], [0], None, [256], [0,255])
#获取直方图中的最大值和最小值
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)
#创建纯白色图片用于绘制直方图
hist_img = np.zeros([256, 256], np.uint8)
hist_img[:] = 255
#直方图绘制
for i in range(256):
#将直方图中的像素统计数值归一化到[0, 256]
norm_value = int(hist[i] * 256 / maxVal)
#以黑色线绘制每一个像素值的数量
cv2.line(hist_img, (i, 256), (i, 256 - norm_value), [0, 0, 0])
cv2.imshow("hist_img", hist_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
计算的直方图并绘制的结果如图5.21所示。
图5.21
对于亮度较暗的图像，直方图数据会比较集中在左侧区域，如图5.22所示。
图5.22
对于亮度较亮的图像，直方图数据会比较集中在右侧区域，如图5.23所示。
图5.23
5.7.2 案例58：直方图均衡化
直方图均衡化是一种增强图像对比度的方法，主要思想是让一幅图像的直方图均匀分布于0到255的范围内，从而增强对比度。
OpenCV中提供直方图均衡化的函数为calcHist，函数定义如下：
dst = equalizeHist(src, dst=None)
参数说明如下：
src，输入图像；
dst，均衡化后的输出图像（返回值）。
直方图均衡化的案例代码如下所示：
import cv2
src = cv2.imread('src1.jpg', 0)
#直方图均衡化
equalize_img = cv2.equalizeHist(src)
#图像显示
cv2.imshow("src_img", src)
cv2.imshow("equalize_img", equalize_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
均衡化之后的图像与原图对比结果如图5.24所示。
图5.24
均衡化之后的图像直方图如图5.25所示，图中像素值均匀分布在0到255之间。
图5.25