直方图
Python 调用 calcHist 返回 hist （直方图）
calcHist 函数:
[python] view plain copy
print?
cv2.calcHist([images], channels, mask, histSize, ranges[, hist[, accumulate ]]) #返回hist
参数说明： images -- 图像对像
channels -- 用于计算直方图的通道
Mask --
histSize -- 表示直方图分成多少份（多少个直方柱）
ranges -- 表示直方图中各个像素的值，[0.0, 256.0]表示直方图能表示像素值从0.0到256的像素
hist --
accumulate -- 是一个布尔值，表示直方图是否叠加
灰度图计算
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
image = cv2.imread("D:/histTest.jpg", 0)
hist = cv2.calcHist([image],
[0], #使用的通道
None, #没有使用mask
[256], #HistSize
[0.0,255.0]) #直方图柱的范围
彩色图像（多通道）直方图
使用 OpenCV 方法
步骤： 1. 读取并分离各通道
2.计算每个通道的直方图
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
def calcAndDrawHist(image, color):
hist= cv2.calcHist([image], [0], None, [256], [0.0,255.0])
'''''
minMaxLoc寻找矩阵(一维数组当作向量,用Mat定义) 中最小值和最大值的位置
注意：多通道图像在使用minMaxLoc()函数是不能给出其最大最小值坐标的，因为每个像
素点其实有多个坐标，所以是不会给出的。因此在编程时，这2个位置应该给NULL。
'''
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)
#创建绘制直方图的的图像，由于值全为0 所以它是黑色的
histImg = np.zeros([256,256,3], np.uint8)
hpt = int(0.9* 256) #直方图的范围限定在0-255×0.9之间
for h in range(256):
intensity = int(hist[h]*hpt/maxVal) # 计算直方图的最大值再乘以一个系数
'''''
绘制线
histImg -- 图像
(h,256) -- 线段的第一个端点
(h,256-intensity) -- 线段的第二个端点
color -- 线段的颜色
'''
cv2.line(histImg,(h,256), (h,256-intensity), color)
return histImg;
if __name__ == '__main__':
img = cv2.imread("mini.jpg")
b, g, r = cv2.split(img) # 使用Opencv 自带的分离函数 split
histImgB = calcAndDrawHist(b, [255, 0, 0])
histImgG = calcAndDrawHist(g, [0, 255, 0])
histImgR = calcAndDrawHist(r, [0, 0, 255])
cv2.imshow("histImgB", histImgB)
cv2.imshow("histImgG", histImgG)
cv2.imshow("histImgR", histImgR)
cv2.imshow("Img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
在一张图上绘制，这样不用再分离通道，用折线来描绘直方图的边界即可
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
img = cv2.imread('mini.jpg')
h = np.zeros((256,256,3)) #创建用于绘制直方图的全0图像
bins = np.arange(256).reshape(256,1) #直方图中各bin的顶点位置
color = [ (255,0,0),(0,255,0),(0,0,255) ] #BGR三种颜色
'''''
对三个通道遍历一次，每次绘制相应通道的直方图的折线
'''
for ch, col in enumerate(color):
#计算对应通道的直方图
originHist = cv2.calcHist([img],[ch],None,[256],[0,256])
'''''
OpenCV的归一化函数。该函数将直方图的范围限定在0-255×0.9之间
'''
cv2.normalize(originHist, originHist,0,255*0.9,cv2.NORM_MINMAX)
'''''
先将生成的原始直方图中的每个元素四舍六入五凑偶取整
（cv2.calcHist函数得到的是float32类型的数组）
注意，这里必须使用np.int32(...)进行转换，
numpy的转换函数可以对数组中的每个元素都进行转换，
而Python的int(...)只能转换一个元素，如果使用int(...)，
将导致only length-1 arrays can be converted to Python scalars错误。
'''
hist=np.int32(np.around(originHist))
'''''
将直方图中每个bin的值转成相应的坐标。
如hist[0] =3，...，hist[126] = 178，...，hist[255] = 5；
而bins的值为[[0],[1],[2]...,[255]]
使用np.column_stack将其组合成[0, 3]、[126, 178]、[255, 5]这样的坐标
作为元素组成的数组。
'''
pts = np.column_stack((bins,hist))
'''''
polylines 根据这些点绘制出折线
False -- 指出这个折线不需要闭合
col -- 指定了折线的颜色
'''
cv2.polylines(h,[pts],False,col)
'''''
反转绘制好的直方图，因为绘制时，[0,0]在图像的左上角
'''
h=np.flipud(h)
cv2.imshow('colorhist',h)
cv2.waitKey(0)
使用Numpy 直方图计算
NumPy中histogram函数应用到一个数组返回一对变量：直方图数组和箱式向量。注意：matplotlib也有一个用来建立直方图的函数(叫作hist,正如matlab中一样)与NumPy中的不同。主要的差别是pylab.hist自动绘制直方图，而numpy.histogram仅仅产生数据。
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
img = cv2.imread('mini.jpg')
h = np.zeros((300,256,3))
bins = np.arange(257)
bin = bins[0:-1]
color = [ (255,0,0),(0,255,0),(0,0,255) ]
for ch,col in enumerate(color):
item = img[:,:,ch]
N,bins = np.histogram(item,bins)
v=N.max()
N = np.int32(np.around((N*255)/v))
N=N.reshape(256,1)
pts = np.column_stack((bin,N))
cv2.polylines(h,[pts],False,col)
h=np.flipud(h)
cv2.imshow('img',h)
cv2.waitKey(0)
直方图
Python 调用 calcHist 返回 hist （直方图）
calcHist 函数:
[python] view plain copy
print?
cv2.calcHist([images], channels, mask, histSize, ranges[, hist[, accumulate ]]) #返回hist
参数说明： images -- 图像对像
channels -- 用于计算直方图的通道
Mask --
histSize -- 表示直方图分成多少份（多少个直方柱）
ranges -- 表示直方图中各个像素的值，[0.0, 256.0]表示直方图能表示像素值从0.0到256的像素
hist --
accumulate -- 是一个布尔值，表示直方图是否叠加
灰度图计算
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
image = cv2.imread("D:/histTest.jpg", 0)
hist = cv2.calcHist([image],
[0], #使用的通道
None, #没有使用mask
[256], #HistSize
[0.0,255.0]) #直方图柱的范围
彩色图像（多通道）直方图
使用 OpenCV 方法
步骤： 1. 读取并分离各通道
2.计算每个通道的直方图
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
def calcAndDrawHist(image, color):
hist= cv2.calcHist([image], [0], None, [256], [0.0,255.0])
'''''
minMaxLoc寻找矩阵(一维数组当作向量,用Mat定义) 中最小值和最大值的位置
注意：多通道图像在使用minMaxLoc()函数是不能给出其最大最小值坐标的，因为每个像
素点其实有多个坐标，所以是不会给出的。因此在编程时，这2个位置应该给NULL。
'''
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)
#创建绘制直方图的的图像，由于值全为0 所以它是黑色的
histImg = np.zeros([256,256,3], np.uint8)
hpt = int(0.9* 256) #直方图的范围限定在0-255×0.9之间
for h in range(256):
intensity = int(hist[h]*hpt/maxVal) # 计算直方图的最大值再乘以一个系数
'''''
绘制线
histImg -- 图像
(h,256) -- 线段的第一个端点
(h,256-intensity) -- 线段的第二个端点
color -- 线段的颜色
'''
cv2.line(histImg,(h,256), (h,256-intensity), color)
return histImg;
if __name__ == '__main__':
img = cv2.imread("mini.jpg")
b, g, r = cv2.split(img) # 使用Opencv 自带的分离函数 split
histImgB = calcAndDrawHist(b, [255, 0, 0])
histImgG = calcAndDrawHist(g, [0, 255, 0])
histImgR = calcAndDrawHist(r, [0, 0, 255])
cv2.imshow("histImgB", histImgB)
cv2.imshow("histImgG", histImgG)
cv2.imshow("histImgR", histImgR)
cv2.imshow("Img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
在一张图上绘制，这样不用再分离通道，用折线来描绘直方图的边界即可
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
img = cv2.imread('mini.jpg')
h = np.zeros((256,256,3)) #创建用于绘制直方图的全0图像
bins = np.arange(256).reshape(256,1) #直方图中各bin的顶点位置
color = [ (255,0,0),(0,255,0),(0,0,255) ] #BGR三种颜色
'''''
对三个通道遍历一次，每次绘制相应通道的直方图的折线
'''
for ch, col in enumerate(color):
#计算对应通道的直方图
originHist = cv2.calcHist([img],[ch],None,[256],[0,256])
'''''
OpenCV的归一化函数。该函数将直方图的范围限定在0-255×0.9之间
'''
cv2.normalize(originHist, originHist,0,255*0.9,cv2.NORM_MINMAX)
'''''
先将生成的原始直方图中的每个元素四舍六入五凑偶取整
（cv2.calcHist函数得到的是float32类型的数组）
注意，这里必须使用np.int32(...)进行转换，
numpy的转换函数可以对数组中的每个元素都进行转换，
而Python的int(...)只能转换一个元素，如果使用int(...)，
将导致only length-1 arrays can be converted to Python scalars错误。
'''
hist=np.int32(np.around(originHist))
'''''
将直方图中每个bin的值转成相应的坐标。
如hist[0] =3，...，hist[126] = 178，...，hist[255] = 5；
而bins的值为[[0],[1],[2]...,[255]]
使用np.column_stack将其组合成[0, 3]、[126, 178]、[255, 5]这样的坐标
作为元素组成的数组。
'''
pts = np.column_stack((bins,hist))
'''''
polylines 根据这些点绘制出折线
False -- 指出这个折线不需要闭合
col -- 指定了折线的颜色
'''
cv2.polylines(h,[pts],False,col)
'''''
反转绘制好的直方图，因为绘制时，[0,0]在图像的左上角
'''
h=np.flipud(h)
cv2.imshow('colorhist',h)
cv2.waitKey(0)
使用Numpy 直方图计算
NumPy中histogram函数应用到一个数组返回一对变量：直方图数组和箱式向量。注意：matplotlib也有一个用来建立直方图的函数(叫作hist,正如matlab中一样)与NumPy中的不同。主要的差别是pylab.hist自动绘制直方图，而numpy.histogram仅仅产生数据。
[python] view plain copy
print?
#!/usr/bin/env python
# encoding: utf-8
import cv2
import numpy as np
img = cv2.imread('mini.jpg')
h = np.zeros((300,256,3))
bins = np.arange(257)
bin = bins[0:-1]
color = [ (255,0,0),(0,255,0),(0,0,255) ]
for ch,col in enumerate(color):
item = img[:,:,ch]
N,bins = np.histogram(item,bins)
v=N.max()
N = np.int32(np.around((N*255)/v))
N=N.reshape(256,1)
pts = np.column_stack((bin,N))
cv2.polylines(h,[pts],False,col)
h=np.flipud(h)
cv2.imshow('img',h)
cv2.waitKey(0)