目录
前言：
直方图是一种重要的图像分析工具，它用于描述图像内部的灰度级信息，可直观地反映图像的对比度、亮度、强度分布等特征。
1、直方图基础
直方图用于统计图像内各个灰度级出现的次数，横坐标表示图像像素的灰度级，纵坐标表示像素灰度级的数量。三个概念需要注意：RANGE统计的灰度级范围；BINS灰度级的分组数量（一个灰度子集的数量值）；DIMS绘制直方图时采集的参数数量（一般直方图只采集灰度级，DIMS为1）。
1.1 用hist（）函数绘制直方图
matplotlib.pyplot.hist()函数查找完直方图可直接绘制，然后调用显示函数查看即可：
matplotlib.pyplot.hist(src,bins)src是用于绘制直方图的图像数据，必须是一维数组。BGR是三维数组，要用raval()函数转换为一维；bins是灰度级分组数量。
import cv2
import matplotlib.pyplot as plt
img=cv2.imread('boy.png')
cv2.imshow('img',img)
plt.hist(img.ravel(),256)
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
1.2 用calcHist()函数查找直方图
calHist()函数查找完直方图后直接返回的结果是一维数组，要借助绘制函数和显示函数：
hist=cv2.calcHist(image,channels,mask,histSize,ranges)hist返回的是一维数组，大小是256，保存了各个灰度级的数量；image实际参数需要用【】框起来；channels是通道编号，灰度图像为【0】，BGR图像分别为【0】【1】【2】；mask是掩模图像，为None时统计整个图像；histSize是BINS值，实际参数要用【】框起来；ranges为像素值范围，8位灰度图像是【0，255】。
import cv2
import matplotlib.pyplot as plt
img=cv2.imread('boy.png')
cv2.imshow('img',img)
histB =cv2.calcHist([img],[0],None,[256],[0,255])#整幅图统计B通道
histG =cv2.calcHist([img],[1],None,[256],[0,255])#整幅图统计G通道
histR =cv2.calcHist([img],[2],None,[256],[0,255])#整幅图统计R通道
plt.plot(histB,'b') #需借助绘制函数绘制
plt.plot(histG,'g')
plt.plot(histR,'r')
plt.show()
应用掩模的直方图：
mask参数指定掩模，掩模图像时黑底，其中间的白色区域时可视化透明区域，将其覆盖到原图像上，原图像可显示出来的部分为掩模结果图像。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('boy.png')
cv2.imshow('img',img)
w,h,d=img.shape
mask=np.zeros((w,h),np.uint8) #按原图大小创建一幅黑色图像
w1=np.int0(w*0.25) #设置白色透明区域
w2=np.int0(w*0.75)
h1=np.int0(h*0.25)
h2=np.int0(h*0.75)
mask[w1:w2, 100:500]=255 #设置为255白色掩模区域
cv2.imshow('mask',mask)
histB =cv2.calcHist([img],[0],mask,[256],[0,255])#整幅图统计B通道
histG =cv2.calcHist([img],[1],mask,[256],[0,255])#整幅图统计G通道
histR =cv2.calcHist([img],[2],mask,[256],[0,255])#整幅图统计R通道
plt.plot(histB,'b') #需借助绘制函数绘制
plt.plot(histG,'g')
plt.plot(histR,'r')
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
2、直方图均衡化
直方图均衡化通过调整图像的灰度来提高图像的对比度。
2.1 普通直方图均衡化
主要是指将原图像的灰度级均匀地映射到全部灰度级范围内。利用cv2.equalize()函数：
dst=cv2.equalizeHist(src)
src是原图像，必须为8位的单通道图像。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('boy.png',0) #打开灰度图，注意参数0
cv2.imshow('img',img) #显示原图像
plt.figure('原图直方图')
plt.hist(img.ravel(),256) #绘制原直方图
equ=cv2.equalizeHist(img) #均衡化（后的图像）
cv2.imshow('equ',equ) #显示均衡后的图像
plt.figure('均衡化后直方图')
plt.hist(equ.ravel(),256) #绘制均衡化后图像的直方图
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
2.2 限制对比度自适应直方图均衡化
普通直方图均衡化用于对图像全局进行调整，不能有效提高图像的局部对比度。可以把图像分成若干子块，对子块进行直方图均衡化，即自适应直方图均衡化。但是这会导致图像局部对比度过高，导致图像失真，为解决此问题，可对局部对比度进行限制。
cv2.createCLAHE()函数用于创建CLAHE对象：
retval=cv2.creatCLAHE(clipLimit,tileGridSize)retval是返回的CLAHE对象。两个参数都是可选参数，clipLimit是对比度受限阈值，默认40.0；tileGridSize是直方图均衡化的网格大小，默认（8,8）。调用CLAHE对象的apply（）方法，将其应用到图像中进行均衡化。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('man.png',0) #打开单通道灰度图，注意参数0
cv2.imshow('img',img) #显示原图像
equImg=cv2.equalizeHist(img) #均衡化（后的图像）
cv2.imshow('equImg',equImg) #显示普通均衡后的图像
clahe=cv2.createCLAHE(clipLimit=5) #创建CLAHE对象
claheImg=clahe.apply(img) #应用CLAHE对象
cv2.imshow('claheImg',claheImg) #显示自适应均衡化后的图像
cv2.waitKey(0)
cv2.destroyAllWindows()
3、 二维直方图
前面介绍的直方图只统计像素的灰度值这一个特征，属于一维直方图。下面介绍二维直方图统计像素的色相和饱和度，用于查找图像的颜色直方图。
3.1 OpenCV中的二维直方图
仍使用cv2.calcHist()函数，只是指定参数时与之前有所区别：image应该从BGR色彩空间转换位HSV色彩空间，实际参数需用【】框起来；channels设置为【0，1】时表示同时处理色相和饱和度；histSize设置BINS值为【180，256】时，表示色相为180，饱和度为256；ranges设置为【0，180，0，256】时表示色相取值范围是【0，180】，饱和度的取值范围是【0，256】。且此处cv2.calcHist()函数返回的颜色直方图不用借助plot绘制函数了，直接用cv2.imshow()函数显示即可。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('man.png') #打开原图像
cv2.imshow('img',img) #显示原图像
img2=cv2.cvtColor(img, cv2.COLOR_BGR2HSV) #转换色彩空间为HSV
hist=cv2.calcHist([img2],[0,1],None,[180,256],[0,180,0,256]) #计算颜色直方图
cv2.imshow('2Dhist',hist) #显示颜色直方图
cv2.waitKey(0)
cv2.destroyAllWindows()
代码结果如下左图和中间灰度图：
但是cv2.calcHist()函数返回的颜色直方图是一个大小为180x256的二维数组，cv2.imshow显示时是一幅灰度图像，不能直接显示出颜色的分布情况。
可用plt.imshow()函数绘制具有不同颜色的直方图：（代码结构如上图右边紫色图）
plt.imshow(hist,interpolation='nearest') #绘制颜色直方图
plt.show() #显示颜色直方图
3.2 Numpy中的二维直方图
Numpy中的histogram2D()函数用于计算二维直方图，其基本格式如下：
hist,xedges,yedges=np.histogram2D(x,y,bins,range)hist是返回的直方图，xedges是返回的x的直方图的BINS边界值，yedge同理。x，y是原图对应通道转换成的一维数组（如h.ravel(),s.ravel()这样，ravel用于转换为一维数组）；bins为BINS值如【180，256】；range是像素值范围，格式是【【0，180】，【0，256】】。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('man.png') #打开原图像
cv2.imshow('img',img) #显示原图像
img2=cv2.cvtColor(img, cv2.COLOR_BGR2HSV) #转换色彩空间为HSV
h,s,v=cv2.split(img2) #h,s通道即对应histogram2d前两个参数的x，y
hist,x,y=np.histogram2d(h.ravel(),s.ravel(),[180,256],[[0,180],[0,256]]) #计算颜色直方图
cv2.imshow('2Dhist',hist) #直接显示二维直方图（灰度）
plt.imshow(hist,interpolation='nearest') #绘制颜色直方图
plt.show() #显示颜色直方图
cv2.waitKey(0)
cv2.destroyAllWindows()
结果与上面的三个图像相同！
总结：
由于是初学者可能很多地方没有总结完全或者有误，后续深入学习后会不断回来该删，也欢迎各位朋友指正！下次学习模板匹配和图像分割！
