該系列文章是講解Python OpenCV圖像處理知識，前期主要講解圖像入門、OpenCV基礎用法，中期講解圖像處理的各種算法，包括圖像銳化算子、圖像增強技術、圖像分割等，後期結合深度學習研究圖像識別、圖像分類應用。希望文章對您有所幫助，如果有不足之處，還請海涵~

前面一篇文章介紹了圖像幾何變換，包括：圖像平移變換、圖像縮放變換、圖像旋轉變換、圖像鏡像變換、圖像仿射變換和圖像透視變換；這篇文章將詳細介紹直方圖統計，包括Matplotlib和OpenCV繪製直方圖、掩膜直方圖、灰度直方圖對比及通過直方圖預測黑夜白天，萬字長文整理，希望對您有所幫助。同時，該部分知識均爲作者查閱資料撰寫總結，並且開設成了收費專欄，爲小寶賺點奶粉錢，感謝您的擡愛。當然如果您是在讀學生或經濟拮据，可以私聊我給你每篇文章開白名單，或者轉發原文給你，更希望您能進步，一起加油喔~

https://github.com/eastmountyxz/ImageProcessing-Python

前文參考：

圖像灰度直方圖（Histogram）是灰度級分佈的函數，是對圖像中灰度級分佈的統計。灰度直方圖是將數字圖像中的所有像素，按照灰度值的大小，統計其出現的頻率並繪製相關圖形。本章主要講解Matplotlib和OpenCV繪製直方圖的兩種方法，對比了灰度處理算法前後的直方圖，實現掩膜直方圖繪製、圖像H-S直方圖、直方圖判斷黑夜白天等內容。

一.圖像直方圖概述

灰度直方圖是灰度級的函數，描述的是圖像中每種灰度級像素的個數，反映圖像中每種灰度出現的頻率。假設存在一幅6×6像素的圖像，接着統計其1至6灰度級的出現頻率，並繪製如圖1所示的柱狀圖，其中橫座標表示灰度級，縱座標表示灰度級出現的頻率。

如果灰度級爲0-255（最小值0爲黑色，最大值255爲白色），同樣可以繪製對應的直方圖，如圖2所示，左邊是一幅灰度圖像（Lena灰度圖），右邊是對應各像素點的灰度級頻率。

爲了讓圖像各灰度級的出現頻數形成固定標準的形式，可以通過歸一化方法對圖像直方圖進行處理，將待處理的原始圖像轉換成相應的標準形式[3]。假設變量r表示圖像中像素灰度級，歸一化處理後會將r限定在下述範圍：

在灰度級中，r爲0時表示黑色，r爲1時表示白色。對於一幅給定圖像，每個像素值位於[0,1]區間之內，接着計算原始圖像的灰度分佈，用概率密度函數P®實現。爲了更好地進行數字圖像處理，必須引入離散形式。在離散形式下，用rk表示離散灰度級，P(rk)代替P®，並滿足公式（2）。

公式中，nk爲圖像中出現rk這種灰度的像素數，n是圖像中像素總數，是概率論中的頻數，l是灰度級總數（通常l爲256級灰度）。接着在直角座標系中做出rk和P(rk)的關係圖，則成爲灰度級的直方圖。

假設存在一幅3×3像素的圖像，其像素值如公式（9-3）所示，則歸一化直方圖的步驟如下：

首先統計各灰度級對應的像素個數。用x數組統計像素點的灰度級，y數組統計具有該灰度級的像素個數。其中，灰度爲1的像素共3個，灰度爲2的像素共1個，灰度爲3的像素共2個，灰度爲4的像素共1個，灰度爲5的像素共2個。

接着統計總像素個數，如公式（5）所示。

最後統計各灰度級的出現概率，通過公式（6）進行計算，其結果如下：

繪製的歸一化圖行如圖3所示，橫座標表示圖像中各個像素點的灰度級，縱座標表示出現這個灰度級的概率。

直方圖被廣泛應用於計算機視覺領域，在使用邊緣和顏色確定物體邊界時，通過直方圖能更好地選擇邊界閾值，進行閾值化處理。同時，直方圖對物體與背景有較強對比的景物的分割特別有用，可以應用於檢測視頻中場景的變換及圖像中的興趣點，簡單物體的面積和綜合光密度IOD也可以通過圖像的直方圖計算而得。

二.Matplotlib繪製直方圖

Matplotlib是Python強大的數據可視化工具，主要用於繪製各種2D圖形。本小節Python繪製直方圖主要調用matplotlib.pyplot庫中hist()函數實現，它會根據數據源和像素級繪製直方圖。其函數主要包括五個常用的參數，如下所示：

n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor=‘green’, alpha=0.75)
– arr表示需要計算直方圖的一維數組
– bins表示直方圖顯示的柱數，可選項，默認值爲10
– normed表示是否將得到的直方圖進行向量歸一化處理，默認值爲0
– facecolor表示直方圖顏色
– alpha表示透明度
– n爲返回值，表示直方圖向量
– bins爲返回值，表示各個bin的區間範圍
– patches爲返回值，表示返回每個bin裏面包含的數據，是一個列表

圖像直方圖的Python實現代碼如下所示，該示例主要是通過matplotlib.pyplot庫中的hist()函數繪製的。注意，讀取的“picture.bmp”圖像的像素爲二維數組，而hist()函數的數據源必須是一維數組，通常需要通過函數ravel()拉直圖像。

# -*- coding: utf-8 -*-
# By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖片
img = cv2.imread('lena.bmp')

#灰度轉換
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
#直方圖均衡化處理
result = cv2.equalizeHist(gray)

#顯示圖像
plt.subplot(221)
plt.imshow(gray, cmap=plt.cm.gray), plt.axis("off"), plt.title('(a)') 
plt.subplot(222)
plt.imshow(result, cmap=plt.cm.gray), plt.axis("off"), plt.title('(b)') 
plt.subplot(223)
plt.hist(img.ravel(), 256), plt.title('(c)') 
plt.subplot(224)
plt.hist(result.ravel(), 256), plt.title('(d)') 
plt.show()

讀取顯示的“lena”灰度圖像如圖4所示。

最終的灰度直方圖如圖5所示，它將Lena圖256級灰度和各個灰度級的頻數繪製出來，其中x軸表示圖像的256級灰度，y軸表示各個灰度級的頻數。

如果調用下列函數，則繪製的直方圖是經過標準化處理，並且顏色爲綠色、透明度爲0.75的直方圖，如圖6所示。

plt.hist(src.ravel(), bins=256, density=1, facecolor=‘green’, alpha=0.75)

彩色直方圖是高維直方圖的特例，它統計彩色圖片RGB各分量出現的頻率，即彩色概率分佈信息。彩色圖片的直方圖和灰度直方圖一樣，只是分別畫出三個通道的直方圖，然後再進行疊加，其代碼如下所示。Lena彩色原始圖像如圖7所示。

#coding:utf-8
# By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
src = cv2.imread('Lena.png')

#獲取BGR三個通道的像素值
b, g, r = cv2.split(src)
print(r,g,b)

#繪製直方圖
plt.figure("Lena")
#藍色分量
plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75)
#綠色分量
plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75)
#紅色分量
plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)
plt.xlabel("x")
plt.ylabel("y")
plt.show()

#顯示原始圖像
cv2.imshow("src", src)
cv2.waitKey(0)
cv2.destroyAllWindows()

繪製的彩色直方圖如圖8所示，包括紅色、綠色、藍色三種對比。

如果希望將三個顏色分量的柱狀圖分開繪製並進行對比，則使用如下代碼實現，調用plt.figure(figsize=(8, 6))函數繪製窗口，以及plt.subplot()函數分別繪製4個子圖。

#coding:utf-8
# By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

#讀取圖像
src = cv2.imread('Lena.png')

#轉換爲RGB圖像
img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)

#獲取BGR三個通道的像素值
b, g, r = cv2.split(src)
print(r,g,b)

plt.figure(figsize=(8, 6))

#設置字體
matplotlib.rcParams['font.sans-serif']=['SimHei']

#原始圖像
plt.subplot(221)
plt.imshow(img_rgb)
plt.axis('off')
plt.title("(a)原圖像")

#繪製藍色分量直方圖
plt.subplot(222)
plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75)
plt.xlabel("x")
plt.ylabel("y")
plt.title("(b)藍色分量直方圖")

#繪製綠色分量直方圖
plt.subplot(223)
plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75)
plt.xlabel("x")
plt.ylabel("y")
plt.title("(c)綠色分量直方圖")

#繪製紅色分量直方圖
plt.subplot(224)
plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)
plt.xlabel("x")
plt.ylabel("y")
plt.title("(d)紅色分量直方圖")
plt.show()

最終輸出的圖形如圖9所示,，圖9(a)表示原圖像，圖9(b)表示藍色分量直方圖，圖9©表示綠色分量直方圖，圖9(d)表示紅色分類直方圖。

三.OpenCV繪製直方圖

前一小節講解了如何調用matplotlib庫繪製直方圖，接下來講解使用OpenCV庫繪製直方圖的方法。在OpenCV中可以使用calcHist()函數計算直方圖，計算完成之後採用OpenCV中的繪圖函數，如繪製矩形的rectangle()函數，繪製線段的line()函數來完成。其中，cv2.calcHist()的函數原型及常見六個參數如下：

hist = cv2.calcHist(images, channels, mask, histSize, ranges, accumulate)
– hist表示直方圖，返回一個二維數組
– images表示輸入的原始圖像
– channels表示指定通道，通道編號需要使用中括號，輸入圖像是灰度圖像時，它的值爲[0]，彩色圖像則爲[0]、[1]、[2]，分別表示藍色（B）、綠色（G）、紅色（R）
– mask表示可選的操作掩碼。如果要統計整幅圖像的直方圖，則該值爲None；如果要統計圖像的某一部分直方圖時，需要掩碼來計算
– histSize表示灰度級的個數，需要使用中括號，比如[256]
– ranges表示像素值範圍，比如[0, 255]
– accumulate表示累計疊加標識，默認爲false，如果被設置爲true，則直方圖在開始分配時不會被清零，該參數允許從多個對象中計算單個直方圖，或者用於實時更新直方圖；多個直方圖的累積結果用於對一組圖像的直方圖計算

接下來的代碼是計算圖像各灰度級的大小、形狀及頻數，接着調用plot()函數繪製直方圖曲線。

#encoding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

#讀取圖像
src = cv2.imread('lena.bmp')

#計算256灰度級的圖像直方圖
hist = cv2.calcHist([src], [0], None, [256], [0,255])

#輸出直方圖大小、形狀、數量
print(hist.size)
print(hist.shape)
print(hist)

#設置字體
matplotlib.rcParams['font.sans-serif']=['SimHei']

#顯示原始圖像和繪製的直方圖
plt.subplot(121)
plt.imshow(src, 'gray')
plt.axis('off')
plt.title("(a)Lena灰度圖像")

plt.subplot(122)
plt.plot(hist, color='r')
plt.xlabel("x")
plt.ylabel("y")
plt.title("(b)直方圖曲線")
plt.show()

上述代碼繪製的“Lena”灰度圖像所對應的直方圖曲線如圖10所示，圖10(a)表示原圖像，圖10(b)表示對應的灰度直方圖曲線。

同時輸出直方圖的大小、形狀及數量，如下所示：

256
(256L, 1L)
[[7.000e+00]
 [1.000e+00]
 [0.000e+00]
 [6.000e+00]
 [2.000e+00]
 ....
 [1.000e+00]
 [3.000e+00]
 [2.000e+00]
 [1.000e+00]
 [0.000e+00]]

彩色圖像調用OpenCV繪製直方圖的算法與灰度圖像一樣，只是從B、G、R三個放量分別進行計算及繪製，詳見代碼。

#encoding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

#讀取圖像
src = cv2.imread('Lena.png')

#轉換爲RGB圖像
img_rgb = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)

#計算直方圖
histb = cv2.calcHist([src], [0], None, [256], [0,255])
histg = cv2.calcHist([src], [1], None, [256], [0,255])
histr = cv2.calcHist([src], [2], None, [256], [0,255])

#設置字體
matplotlib.rcParams['font.sans-serif']=['SimHei']

#顯示原始圖像和繪製的直方圖
plt.subplot(121)
plt.imshow(img_rgb, 'gray')
plt.axis('off')
plt.title("(a)Lena原始圖像")

plt.subplot(122)
plt.plot(histb, color='b')
plt.plot(histg, color='g')
plt.plot(histr, color='r')
plt.xlabel("x")
plt.ylabel("y")
plt.title("(b)直方圖曲線")
plt.show()

最終繪製的“Lena”彩色圖像及其對應的彩色直方圖曲線如圖11所示，其中圖11(a)表示Lena原始圖像，圖11(b)表示對應的彩色直方圖曲線。

四.掩膜直方圖

如果要統計圖像的某一部分直方圖，就需要使用掩碼（蒙板）來進行計算。假設將要統計的部分設置爲白色，其餘部分設置爲黑色，然後使用該掩膜進行直方圖繪製，其完整代碼如下所示。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

#讀取圖像
img = cv2.imread('yxz.png')

#轉換爲RGB圖像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#設置掩膜
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:300, 100:300] = 255
masked_img = cv2.bitwise_and(img, img, mask=mask)

#圖像直方圖計算
hist_full = cv2.calcHist([img], [0], None, [256], [0,256]) #通道[0]-灰度圖

#圖像直方圖計算(含掩膜)
hist_mask = cv2.calcHist([img], [0], mask, [256], [0,256])

plt.figure(figsize=(8, 6))

#設置字體
matplotlib.rcParams['font.sans-serif']=['SimHei']

#原始圖像
plt.subplot(221)
plt.imshow(img_rgb, 'gray')
plt.axis('off')
plt.title("(a)原始圖像")

#繪製掩膜
plt.subplot(222)
plt.imshow(mask, 'gray')
plt.axis('off')
plt.title("(b)掩膜")

#繪製掩膜設置後的圖像
plt.subplot(223)
plt.imshow(masked_img, 'gray')
plt.axis('off')
plt.title("(c)圖像掩膜處理")

#繪製直方圖
plt.subplot(224)
plt.plot(hist_full)
plt.plot(hist_mask)
plt.title("(d)直方圖曲線")
plt.xlabel("x")
plt.ylabel("y")
plt.show()

其運行結果如圖12所示，它使用了一個200×200像素的掩膜進行實驗。其中圖12(a)表示原始圖像，圖12(b)表示200×200像素的掩膜，圖12©表示原始圖像進行掩膜處理，圖12(d)表示直方圖曲線，藍色曲線爲原始圖像的灰度值直方圖分佈情況，綠色波動更小的曲線爲掩膜直方圖曲線。

五.圖像灰度變換直方圖對比

前面詳細介紹了圖像灰度變換和閾值變換，本小節將結合直方圖分別對比圖像灰度變換前後的變化，方便讀者更清晰地理解灰度變換和閾值變換。

[Python圖像處理] 三十一.圖像點運算處理兩萬字詳細總結（灰度化處理、閾值化處理）

1.灰度上移變換圖像直方圖對比

圖像灰度上移變換使用的表達式爲：

DB=DA+50

該算法將實現圖像灰度值的上移，從而提升圖像的亮度，結合直方圖對比的實現代碼如下所示。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('lena.bmp')

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)

#圖像灰度上移變換 DB=DA+50
for i in range(height):
    for j in range(width):
        if (int(grayImage[i,j]+50) > 255):
            gray = 255
        else:
            gray = int(grayImage[i,j]+50)
            
        result[i,j] = np.uint8(gray)

#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])

#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')

#繪製掩膜
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")

#繪製掩膜設置後的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')

#繪製直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()

其運行結果如圖13所示，其中（a）表示原始圖像，（b）表示對應的灰度直方圖，（c）表示灰度上移後的圖像，（d）是對應的直方圖。對比發現，圖13（d）比圖13（b）的灰度級整體高了50，曲線整體向右平移了50個單位。

2.灰度減弱圖像直方圖對比

該算法將減弱圖像的對比度，使用的表達式爲：

DB=DA×0.8

Python結合直方圖實現灰度對比度減弱的代碼如下所示。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('lena.bmp')

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)

#圖像對比度減弱變換 DB=DA×0.8
for i in range(height):
    for j in range(width):
        gray = int(grayImage[i,j]*0.8)
        result[i,j] = np.uint8(gray)

#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])

#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')

#繪製掩膜
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")

#繪製掩膜設置後的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')

#繪製直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()

其運行結果如圖14所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示灰度減弱或對比度縮小的圖像及對應的直方圖。圖14（d）比圖14（b）的灰度級整體縮小了0.8倍，繪製的曲線更加密集。

3.圖像反色變換直方圖對比

該算法將圖像的顏色反色，對原圖像的像素值進行反轉，即黑色變爲白色，白色變爲黑色，使用的表達式爲：

DB=255-DA

實現代碼如下所示。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('lena.bmp')

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)

#圖像灰度反色變換 DB=255-DA
for i in range(height):
    for j in range(width):
        gray = 255 - grayImage[i,j]
        result[i,j] = np.uint8(gray)

#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])

#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')

#繪製掩膜
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")

#繪製掩膜設置後的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')

#繪製直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()

其運行結果如圖15所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示灰度反色變換圖像及對應的直方圖。圖15（d）與圖15（b）是反相對稱的，整個灰度值滿足DB=255-DA表達式。

4.圖像對數變換直方圖對比

該算法將增加低灰度區域的對比度，從而增強暗部的細節，使用的表達式爲：

下面的代碼實現了圖像灰度的對數變換及直方圖對比。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('lena.bmp')

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)

#圖像灰度對數變換
for i in range(height):
    for j in range(width):
        gray = 42 * np.log(1.0 + grayImage[i,j])
        result[i,j] = np.uint8(gray)

#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])

#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')

#繪製原始圖像直方圖
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")

#灰度變換後的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')

#灰度變換圖像的直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()

其運行結果如圖16所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示灰度對數變換圖像及對應的直方圖。

5.圖像閾值化處理直方圖對比

該算法原型爲：

threshold(Gray,127,255,cv2.THRESH_BINARY)

當前像素點的灰度值大於thresh閾值時（如127），其像素點的灰度值設定爲最大值（如9位灰度值最大爲255）；否則，像素點的灰度值設置爲0。二進制閾值化處理及直方圖對比的Python代碼如下所示。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('lena.bmp')

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]
result = np.zeros((height, width), np.uint8)

#圖像灰度對數變換
for i in range(height):
    for j in range(width):
        gray = 42 * np.log(1.0 + grayImage[i,j])
        result[i,j] = np.uint8(gray)

#計算原圖的直方圖
hist = cv2.calcHist([img], [0], None, [256], [0,255])

#計算灰度變換的直方圖
hist_res = cv2.calcHist([result], [0], None, [256], [0,255])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(221), plt.imshow(img, 'gray'), plt.title("(a)"), plt.axis('off')

#繪製原始圖像直方圖
plt.subplot(222), plt.plot(hist), plt.title("(b)"), plt.xlabel("x"), plt.ylabel("y")

#灰度變換後的圖像
plt.subplot(223), plt.imshow(result, 'gray'), plt.title("(c)"), plt.axis('off')

#灰度變換圖像的直方圖
plt.subplot(224), plt.plot(hist_res), plt.title("(d)"), plt.xlabel("x"), plt.ylabel("y")
plt.show()

其運行結果如圖17所示，其中（a）和（b）表示原始圖像和對應的灰度直方圖，（c）和（d）表示圖像閾值化處理及對應的直方圖，圖17（d）中可以看到，灰度值僅僅分佈於0（黑色）和255（白色）兩種灰度級。

六.圖像H-S直方圖

爲了刻畫圖像中顏色的直觀特性，常常需要分析圖像的HSV空間下的直方圖特性。HSV空間是由色調（Hue）、飽和度（Saturation）、以及亮度（Value）構成，因此在進行直方圖計算時，需要先將源RGB圖像轉化爲HSV顏色空間圖像，然後將對應的H和S通道進行單元劃分，再其二維空間上計算相對應直方圖，再計算直方圖空間上的最大值並歸一化繪製相應的直方圖信息，從而形成色調-飽和度直方圖（或H-S直方圖）。該直方圖通常應用在目標檢測、特徵分析以及目標特徵跟蹤等場景。

由於H和S分量與人感受顏色的方式是緊密相連，V分量與圖像的彩色信息無關，這些特點使得HSV模型非常適合於藉助人的視覺系統來感知彩色特性的圖像處理算法。下面代碼是具體的實現代碼，使用matplotlib.pyplot庫中的imshow()函數來繪製具有不同顏色映射的2D直方圖。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#讀取圖像
img = cv2.imread('Lena.png')

#轉換爲RGB圖像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#圖像HSV轉換
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

#計算H-S直方圖
hist = cv2.calcHist(hsv, [0,1], None, [180,256], [0,180,0,256])

#原始圖像
plt.figure(figsize=(8, 6))
plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.title("(a)"), plt.axis('off')

#繪製H-S直方圖
plt.subplot(122), plt.imshow(hist, interpolation='nearest'), plt.title("(b)")
plt.xlabel("x"), plt.ylabel("y")
plt.show()

圖18(a)表示原始輸入圖像，圖18(b)是原圖像對應的彩色直方圖，其中X軸表示飽和度（S），Y軸表示色調（H）。在直方圖中，可以看到H=140和S=130附近的一些高值，它對應於豔麗的色調。

七.直方圖判斷黑夜白天

接着講述兩個應用直方圖的案例，第一個是通過直方圖來判斷一幅圖像是黑夜或白天。常見的方法是通過計算圖像的灰度平均值、灰度中值或灰度標準差，再與自定義的閾值進行對比，從而判斷是黑夜還是白天。

灰度平均值：該值等於圖像中所有像素灰度值之和除以圖像的像素個數。
灰度中值：對圖像中所有像素灰度值進行排序，然後獲取所有像素最中間的值，即爲灰度中值。
灰度標準差：又常稱均方差，是離均差平方的算術平均數的平方根。標準差能反映一個數據集的離散程度，是總體各單位標準值與其平均數離差平方的算術平均數的平方根。如果一幅圖看起來灰濛濛的，那灰度標準差就小；如果一幅圖看起來很鮮豔，那對比度就很大，標準差也大。

下面的代碼是計算灰度“Lena”圖的灰度平均值、灰度中值和灰度標準差。

#coding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#函數: 獲取圖像的灰度平均值
def fun_mean(img, height, width):
    sum_img = 0
    for i in range(height):
        for j in range(width):
            sum_img = sum_img + int(img[i,j])
    mean = sum_img / (height * width)
    return mean

#函數: 獲取中位數
def fun_median(data):
    length = len(data)
    data.sort()
    if (length % 2)== 1: 
        z = length // 2
        y = data[z]
    else:
        y = (int(data[length//2]) + int(data[length//2-1])) / 2
    return y

#讀取圖像
img = cv2.imread('lena.bmp')

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#獲取圖像高度和寬度
height = grayImage.shape[0]
width = grayImage.shape[1]

#計算圖像的灰度平均值
mean = fun_mean(grayImage, height, width)
print("灰度平均值：", mean)

#計算圖像的灰度中位數
value = grayImage.ravel() #獲取所有像素值
median = fun_median(value)
print("灰度中值：", median)

#計算圖像的灰度標準差
std = np.std(value, ddof = 1)
print("灰度標準差", std)

其運行結果如圖9-19所示，圖9-19(a)爲原始圖像，圖9-19(b)爲處理結果。其灰度平均值爲123，灰度中值爲129，灰度標準差爲48.39。

下面講解另一種用來判斷圖像是白天還是黑夜的方法，其基本步驟如下：

讀取原始圖像，轉換爲灰度圖，並獲取圖像的所有像素值；
設置灰度閾值並計算該閾值以下的像素個數。比如像素的閾值設置爲50，統計低於50的像素值個數；
設置比例參數，對比該參數與低於該閾值的像素佔比，如果低於參數則預測爲白天，高於參數則預測爲黑夜。比如該參數設置爲0.8，像素的灰度值低於閾值50的個數佔整幅圖像所有像素個數的90%，則認爲該圖像偏暗，故預測爲黑夜；否則預測爲白天。

具體實現的代碼如下所示。

#encoding:utf-8
#By:Eastmount CSDN 2021-02-05
import cv2  
import numpy as np
import matplotlib.pyplot as plt

#函數: 判斷黑夜或白天
def func_judge(img):
    #獲取圖像高度和寬度
    height = grayImage.shape[0]
    width = grayImage.shape[1]
    piexs_sum = height * width
    dark_sum = 0  #偏暗像素個數
    dark_prop = 0 #偏暗像素所佔比例
    
    for i in range(height):
        for j in range(width):
            if img[i, j] < 50: #閾值爲50
                dark_sum += 1

    #計算比例
    print(dark_sum)
    print(piexs_sum)
    dark_prop = dark_sum * 1.0 / piexs_sum 
    if dark_prop >=0.8:
        print("This picture is dark!", dark_prop)
    else:
        print("This picture is bright!", dark_prop)
               
#讀取圖像
img = cv2.imread('day.png')

#轉換爲RGB圖像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#圖像灰度轉換
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#計算256灰度級的圖像直方圖
hist = cv2.calcHist([grayImage], [0], None, [256], [0,255])

#判斷黑夜或白天
func_judge(grayImage)

#顯示原始圖像和繪製的直方圖
plt.subplot(121), plt.imshow(img_rgb, 'gray'), plt.axis('off'), plt.title("(a)")
plt.subplot(122), plt.plot(hist, color='r'), plt.xlabel("x"), plt.ylabel("y"), plt.title("(b)")
plt.show()

第一張測試圖輸出的結果如圖20所示，其中圖20(a)爲原始圖像，圖20(b)爲對應直方圖曲線，最終輸出結果爲“(‘This picture is bright!’, 0.010082704388303882)”，該預測爲白天。

第二張測試圖輸出的結果如圖21所示，其中圖21(a)爲原始圖像，圖21(b)爲對應直方圖曲線，最終輸出結果爲“(‘This picture is dark!’, 0.8511824175824175)”，該預測爲黑夜。

最後補充一段3D直方圖代碼，也請同學們下來進行深入的理解及嘗試。

# -*- coding: utf-8 -*-
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
from matplotlib.ticker import LinearLocator, FormatStrFormatter

#讀取圖像
img = cv.imread("yxz.png")
img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
imgd = np.array(img)      #image類轉numpy

#準備數據
sp = img.shape
h = int(sp[0])        #圖像高度(rows)
w = int(sp[1])        #圖像寬度(colums) of image

#繪圖初始處理
fig = plt.figure(figsize=(16,12))
ax = fig.gca(projection="3d")

x = np.arange(0, w, 1)
y = np.arange(0, h, 1)
x, y = np.meshgrid(x,y)
z = imgd
surf = ax.plot_surface(x, y, z, cmap=cm.coolwarm)  

#自定義z軸
ax.set_zlim(-10, 255)
ax.zaxis.set_major_locator(LinearLocator(10))   #設置z軸網格線的疏密
#將z的value字符串轉爲float並保留2位小數
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) 

# 設置座標軸的label和標題
ax.set_xlabel('x', size=15)
ax.set_ylabel('y', size=15)
ax.set_zlabel('z', size=15)
ax.set_title("surface plot", weight='bold', size=20)

#添加右側的色卡條
fig.colorbar(surf, shrink=0.6, aspect=8)  
plt.show()

輸出結果如下圖所示：

八.總結

寫到這裏，本文就介紹完畢。這篇文章主要講解圖像直方圖相關知識點，包括Matplotlib和OpenCV兩種統計及繪製直方圖的方法，接着講解了掩膜直方圖和H-S直方圖，並結合灰度變換對比了常見算法變換前後的直方圖，應用直方圖實現黑夜和白天的判斷。同時，讀者可以嘗試之前的文章和直方圖進行各種繪製，比如均衡化處理、特效處理等等，下圖就是圖像均衡化的直方圖。

源代碼下載地址，記得幫忙點star和關注喔。
https://github.com/eastmountyxz/ImageProcessing-Python

時光嘀嗒嘀嗒的流失，這是我在CSDN寫下的第八篇年終總結，比以往時候來的更早一些。《敏而多思，寧靜致遠》，僅以此篇紀念這風雨兼程的一年，這感恩的一年。轉眼小寶白天了，哈哈~提前祝大家新年快樂！

2020年總結：敏而多思，寧靜致遠——紀念這風雨兼程的一年

2020年8月18新開的“娜璋AI安全之家”，主要圍繞Python大數據分析、網絡空間安全、人工智能、Web滲透及攻防技術進行講解，同時分享CCF、SCI、南核北核論文的算法實現。娜璋之家會更加系統，並重構作者的所有文章，從零講解Python和安全，寫了近十年文章，真心想把自己所學所感所做分享出來，還請各位多多指教，真誠邀請您的關注！謝謝。

(By:Eastmount 2021-02-06 晚上12點 http://blog.csdn.net/eastmount/ )

參考文獻，在此感謝這些大佬，共勉！

[1] 羅子江, 楊秀璋. Python中的圖像處理[M]. 2020.
[2]岡薩雷斯. 數字圖像處理（第3版）[M]. 北京：電子工業出版社, 2013.
[3]張恆博, 歐宗瑛. 一種基於色彩和灰度直方圖的圖像檢索方法[J]. 計算機工程, 2004.
[4]Eastmount. [數字圖像處理] 四.MFC對話框繪製灰度直方圖[EB/OL]. (2015-05-31). https://blog.csdn.net/eastmount/article/details/46237463.
[5]苗錫奎, 孫勁光, 張語涵. 圖像歸一化與僞Zernike矩的魯棒水印算法研究[J]. 計算機應用研究, 2010.
[6]阮秋琦. 數字圖像處理學（第3版）[M]. 北京：電子工業出版社, 2008.
[7]Eastmount. [Python圖像處理] 十一.灰度直方圖概念及OpenCV繪製直方圖[EB/OL]. (2018-11-06). https://blog.csdn.net/Eastmount/article/details/83758402.
[8]李立源, 龔堅. 基於二維灰度直方圖最佳一維投影的圖像分割方法[J]. 自動化學報, 1996.
[9]楊秀璋, 顏娜. Python網絡數據爬取及分析從入門到精通（分析篇）[M]. 北京：北京航天航空大學出版社, 2018.
[10]毛星雲, 冷雪飛. OpenCV3編程入門[M]. 北京：電子工業出版社, 2015.
[11]深思海數_willschang. Opencv-Python學習筆記七——圖像直方圖 calcHist，直方圖均衡化equalizeHist[EB/OL]. (2018-08-26). https://www.jianshu.com/p/bd12c4273d7d.
[12]ZJE_ANDY. python3+opencv 利用灰度直方圖來判斷圖片的亮暗情況[EB/OL]. (2018-06-20). https://blog.csdn.net/u014453898/article/details/80745987.

[Python圖像處理] 三十七.OpenCV直方圖統計兩萬字詳解（掩膜直方圖、灰度直方圖對比、黑夜白天預測）

文章目錄

一.圖像直方圖概述

二.Matplotlib繪製直方圖

三.OpenCV繪製直方圖

四.掩膜直方圖

五.圖像灰度變換直方圖對比

1.灰度上移變換圖像直方圖對比

2.灰度減弱圖像直方圖對比

3.圖像反色變換直方圖對比

4.圖像對數變換直方圖對比

5.圖像閾值化處理直方圖對比

六.圖像H-S直方圖

七.直方圖判斷黑夜白天

八.總結

如何使用 JS 判斷用戶是否處於活躍狀態

lightdb秒級增加列和刪除列（not null帶默認值）

通過HPA+CronHPA組合應對業務複雜彈性伸縮場景

❤️‍🔥 Solon Cloud Event 新的事務特性與應用

[Python圖像處理] 三十七.OpenCV直方圖統計兩萬字詳解（掩膜直方圖、灰度直方圖對比、黑夜白天預測）

漲姿勢了！彙總了拓展視野的幾個國外網站

從特斯拉到愛因斯坦，物理學家爲何鍾情於貓

ajax post老是報"CSRF token mismatch

Docker - 解決同步容器與主機時間報錯：Error response from daemon: Error processing tar file(exit status 1): inva...

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結