Python从零到壹丨带你了解图像直方图理论知识和绘制实现 ...

摘要：本文将从OpenCV和Matplotlib两个方面介绍如何绘制直方图，这将为图像处理像素对比提供有效支撑。

本文分享自华为云社区《[Python从零到壹] 五十.图像增强及运算篇之图像直方图理论知识和绘制实现》，作者：eastmount。
一.图像直方图理论知识

灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率。假设存在一幅6×6像素的图像，接着统计其1至6灰度级的出现频率，并绘制如图1所示的柱状图，其中横坐标表示灰度级，纵坐标表示灰度级出现的频率[1-2]。
如果灰度级为0-255（最小值0为黑色，最大值255为白色），同样可以绘制对应的直方图，如图2所示，左边是一幅灰度图像（Lena灰度图），右边是对应各像素点的灰度级频率。
为了让图像各灰度级的出现频数形成固定标准的形式，可以通过归一化方法对图像直方图进行处理，将待处理的原始图像转换成相应的标准形式[3]。假设变量r表示图像中像素灰度级，归一化处理后会将r限定在下述范围：
在灰度级中，r为0时表示黑色，r为1时表示白色。对于一幅给定图像，每个像素值位于[0,1]区间之内，接着计算原始图像的灰度分布，用概率密度函数P®实现。为了更好地进行数字图像处理，必须引入离散形式。在离散形式下，用rk表示离散灰度级，P(rk)代替P®，并满足公式（2）。
公式中，nk为图像中出现rk这种灰度的像素数，n是图像中像素总数，是概率论中的频数，l是灰度级总数（通常l为256级灰度）。接着在直角坐标系中做出rk和P(rk)的关系图，则成为灰度级的直方图[4]。
假设存在一幅3×3像素的图像，其像素值如公式（3）所示，则归一化直方图的步骤如下：
首先统计各灰度级对应的像素个数。用x数组统计像素点的灰度级，y数组统计具有该灰度级的像素个数。其中，灰度为1的像素共3个，灰度为2的像素共1个，灰度为3的像素共2个，灰度为4的像素共1个，灰度为5的像素共2个。
接着统计总像素个数，如公式（5）所示。
最后统计各灰度级的出现概率，通过公式（6）进行计算，其结果如下：
绘制的归一化图行如图3所示，横坐标表示图像中各个像素点的灰度级，纵坐标表示出现这个灰度级的概率。
直方图被广泛应用于计算机视觉领域，在使用边缘和颜色确定物体边界时，通过直方图能更好地选择边界阈值，进行阈值化处理。同时，直方图对物体与背景有较强对比的景物的分割特别有用，可以应用于检测视频中场景的变换及图像中的兴趣点。
二.OpenCV绘制直方图

首先讲解使用OpenCV库绘制直方图的方法。在OpenCV中可以使用calcHist()函数计算直方图，计算完成之后采用OpenCV中的绘图函数，如绘制矩形的rectangle()函数，绘制线段的line()函数来完成。其中，cv2.calcHist()的函数原型及常见六个参数如下：
hist = cv2.calcHist(images, channels, mask, histSize, ranges, accumulate)

• hist表示直方图，返回一个二维数组
  
• images表示输入的原始图像
  
• channels表示指定通道，通道编号需要使用中括号，输入图像是灰度图像时，它的值为[0]，彩色图像则为[0]、[1]、[2]，分别表示蓝色（B）、绿色（G）、红色（R）
  
• mask表示可选的操作掩码。如果要统计整幅图像的直方图，则该值为None；如果要统计图像的某一部分直方图时，需要掩码来计算
  
• histSize表示灰度级的个数，需要使用中括号，比如[256]
  
• ranges表示像素值范围，比如[0, 255]
  
• accumulate表示累计叠加标识，默认为false，如果被设置为true，则直方图在开始分配时不会被清零，该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图；多个直方图的累积结果用于对一组图像的直方图计算
  

接下来的代码是计算图像各灰度级的大小、形状及频数，接着调用plot()函数绘制直方图曲线。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. import matplotlib
7. #读取图像
8. src = cv2.imread('lena-hd.png')
9. #计算256灰度级的图像直方图
10. hist = cv2.calcHist([src], [0], None, [256], [0,255])
11. #输出直方图大小、形状、数量
12. print(hist.size)
13. print(hist.shape)
14. print(hist)
15. #设置字体
16. matplotlib.rcParams['font.sans-serif']=['SimHei']
17. #显示原始图像和绘制的直方图
18. plt.subplot(121)
19. plt.imshow(src, 'gray')
20. plt.axis('off')
21. plt.title("(a)Lena灰度图像")
22. plt.subplot(122)
23. plt.plot(hist, color='r')
24. plt.xlabel("x")
25. plt.ylabel("y")
26. plt.title("(b)直方图曲线")
27. plt.show()

复制代码

上述代码绘制的“Lena”灰度图像所对应的直方图曲线如图4所示，图4(a)表示原图像，图4(b)表示对应的灰度直方图曲线。
同时输出直方图的大小、形状及数量，如下所示：

1. 256
2. (256L, 1L)
3. [[7.000e+00]
4. [1.000e+00]
5. [0.000e+00]
6. [6.000e+00]
7. [2.000e+00]
8. ....
9. [1.000e+00]
10. [3.000e+00]
11. [2.000e+00]
12. [1.000e+00]
13. [0.000e+00]]

复制代码

彩色图像调用OpenCV绘制直方图的算法与灰度图像一样，只是从B、G、R三个放量分别进行计算及绘制，具体代码如下所示。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. import matplotlib
7. #读取图像
8. src = cv2.imread('lena.png')
9. #转换为RGB图像
10. img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)
11. #计算直方图
12. histb = cv2.calcHist([src], [0], None, [256], [0,255])
13. histg = cv2.calcHist([src], [1], None, [256], [0,255])
14. histr = cv2.calcHist([src], [2], None, [256], [0,255])
15. #设置字体
16. matplotlib.rcParams['font.sans-serif']=['SimHei']
17. #显示原始图像和绘制的直方图
18. plt.subplot(121)
19. plt.imshow(img_rgb, 'gray')
20. plt.axis('off')
21. plt.title("(a)Lena原始图像")
22. plt.subplot(122)
23. plt.plot(histb, color='b')
24. plt.plot(histg, color='g')
25. plt.plot(histr, color='r')
26. plt.xlabel("x")
27. plt.ylabel("y")
28. plt.title("(b)直方图曲线")
29. plt.show()

复制代码

最终绘制的“Lena”彩色图像及其对应的彩色直方图曲线如图5所示，其中图5(a)表示Lena原始图像，图5(b)表示对应的彩色直方图曲线。
三.Matplotlib绘制直方图

Matplotlib是Python强大的数据可视化工具，主要用于绘制各种2D图形。本小节Python绘制直方图主要调用matplotlib.pyplot库中hist()函数实现，它会根据数据源和像素级绘制直方图。其函数主要包括五个常用的参数，如下所示：
n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor=‘green’, alpha=0.75)

• arr表示需要计算直方图的一维数组
  
• bins表示直方图显示的柱数，可选项，默认值为10
  
• normed表示是否将得到的直方图进行向量归一化处理，默认值为0
  
• facecolor表示直方图颜色
  
• alpha表示透明度
  
• n为返回值，表示直方图向量
  
• bins为返回值，表示各个bin的区间范围
  
• patches为返回值，表示返回每个bin里面包含的数据，是一个列表
  

图像直方图的Python实现代码如下所示，该示例主要是通过matplotlib.pyplot库中的hist()函数绘制的。注意，读取的“lena-hd.png”图像的像素为二维数组，而hist()函数的数据源必须是一维数组，通常需要通过函数ravel()拉直图像。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. #读取图像
7. src = cv2.imread('lena-hd.png')
8. #绘制直方图
9. plt.hist(src.ravel(), 256)
10. plt.xlabel("x")
11. plt.ylabel("y")
12. plt.show()
13. #显示原始图像
14. cv2.imshow("src", src)
15. cv2.waitKey(0)
16. cv2.destroyAllWindows()

复制代码

读取显示的“lena”灰度图像如图6所示。
最终的灰度直方图如图7所示，它将Lena图256级灰度和各个灰度级的频数绘制出来，其中x轴表示图像的256级灰度，y轴表示各个灰度级的频数。
如果调用下列函数，则绘制的直方图是经过标准化处理，并且颜色为绿色、透明度为0.75的直方图，如图8所示。
plt.hist(src.ravel(), bins=256, density=1, facecolor=‘green’, alpha=0.75)
彩色直方图是高维直方图的特例，它统计彩色图片RGB各分量出现的频率，即彩色概率分布信息。彩色图片的直方图和灰度直方图一样，只是分别画出三个通道的直方图，然后再进行叠加，其代码如下所示。Lena彩色原始图像如图9所示。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. #读取图像
7. src = cv2.imread('Lena.png')
8. #获取BGR三个通道的像素值
9. b, g, r = cv2.split(src)
10. #绘制直方图
11. plt.figure("Lena")
12. #蓝色分量
13. plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75)
14. #绿色分量
15. plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75)
16. #红色分量
17. plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)
18. plt.xlabel("x")
19. plt.ylabel("y")
20. plt.show()
21. #显示原始图像
22. cv2.imshow("src", src)
23. cv2.waitKey(0)
24. cv2.destroyAllWindows()

复制代码

绘制的彩色直方图如图10所示，包括红色、绿色、蓝色三种对比。
如果希望将三个颜色分量的柱状图分开绘制并进行对比，则使用下面的代码实现，调用plt.figure(figsize=(8, 6))函数绘制窗口，以及plt.subplot()函数分别绘制4个子图。

1. # -*- coding: utf-8 -*-
2. # By：Eastmount
3. import cv2  
4. import numpy as np
5. import matplotlib.pyplot as plt
6. import matplotlib
7. #读取图像
8. src = cv2.imread('lena.png')
9. #转换为RGB图像
10. img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)
11. #获取BGR三个通道的像素值
12. b, g, r = cv2.split(src)
13. print(r,g,b)
14. plt.figure(figsize=(8, 6))
15. #设置字体
16. matplotlib.rcParams['font.sans-serif']=['SimHei']
17. #原始图像
18. plt.subplot(221)
19. plt.imshow(img_rgb)
20. plt.axis('off')
21. plt.title("(a)原图像")
22. #绘制蓝色分量直方图
23. plt.subplot(222)
24. plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75)
25. plt.xlabel("x")
26. plt.ylabel("y")
27. plt.title("(b)蓝色分量直方图")
28. #绘制绿色分量直方图
29. plt.subplot(223)
30. plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75)
31. plt.xlabel("x")
32. plt.ylabel("y")
33. plt.title("(c)绿色分量直方图")
34. #绘制红色分量直方图
35. plt.subplot(224)
36. plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)
37. plt.xlabel("x")
38. plt.ylabel("y")
39. plt.title("(d)红色分量直方图")
40. plt.show()

复制代码

最终输出的图形如图11所示,，图11(a)表示原图像，图11(b)表示蓝色分量直方图，图11©表示绿色分量直方图，图11(d)表示红色分类直方图。
四.总结

本文主要讲解图像直方图理论知识以及直方图绘制方法，并且包括Matplotlib和OpenCV两种统计及绘制方法。灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率。这篇文章的知识点将为后续图像处理和图像运算对比提供支撑。
参考文献：

• [1] 冈萨雷斯. 数字图像处理（第3版）[M]. 北京：电子工业出版社, 2013.
  
• [2] 张恒博, 欧宗瑛. 一种基于色彩和灰度直方图的图像检索方法[J]. 计算机工程, 2004.
  
• [3] Eastmount. [数字图像处理] 四.MFC对话框绘制灰度直方图[EB/OL]. (2015-05-31). https://blog.csdn.net/eastmount/article/details/46237463.
  
• [4] 阮秋琦. 数字图像处理学（第3版）[M]. 北京：电子工业出版社, 2008.
  
• [5] Eastmount. [Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图[EB/OL]. (2018-11-06). https://blog.csdn.net/Eastmount/article/details/83758402.
  

 
 
点击关注，第一时间了解华为云新鲜技术~

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！