直方图详解

Task03:常见分布与假设检验 一、基本概念 随机变量:根据随机变量可能取值的个数分为离散型(取值有限)和连续型(取值无限)两类。对于离散型随机变量,使用概率质量函数(probability mass function),简称PMF,来描述其分布律。对于连续型随机变量,使用概率密度函数(probability density function),简称PDF,来描述其分布情况。对于连续型随机变量,通常还会用到累积分布函数 (cumulative distribution function),简称CDF,来描述其性质,在数学上CDF是... 阅读详情
AI摘要

本文详细介绍了直方图,它是定量数据分布的直观表示,可用于密度估计。文中阐述了其词源,解释了如何通过直方图理解数据分布,还给出多个例子。同时给出了数学定义,包括累积直方图,重点介绍了多种确定桶(箱)和宽度数量的法则,如平方根选择、Sturges公式等。

目录

1. 直方图概念(Histogram)

2. 词“histogram”的词源

3. 解释直方图

4. 例子

5. 直方图的数学定义

5.1  累积直方图(Cumulative histogram)

5.2   桶(箱)和宽度的数量

5.2.1  平方根的选择

5.2.1  Sturges公式

5.2.3  Rice法则

5.2.4  Doane公式

5.2.5  Scott正态参考法则

5.2.6  Terrell–Scott法则

5.2.7  Freedman–Diaconis 法则

5.2.8  最小化交叉验证估计平方误差(Minimizing cross-validation estimated squared error)

5.2.9  Shimazaki和Shinomoto的选择(Shimazaki and Shinomoto's choice)

5.2.10  可变桶宽(箱宽)

5.2.11  评注


1. 直方图概念(Histogram)

直方图是定量数据(quantitative data)分布的直观表示。要构建直方图,第一步是将值的范围“分箱(bin)”(或“分桶(bucket)”)——将整个值范围划分为一系列区间——然后计算每个区间内有多少个值。这些桶通常被指定为变量的连续、不重叠的区间。这些桶(区间)相邻,并且通常(但并非必须)大小相等。

直方图可以粗略地反映数据底层分布的密度(density),通常用于密度估计(density estimation):估计底层变量的概率密度函数。用于概率密度的直方图的总面积始终被归一化为 1。如果 x 轴上区间的长度均为 1,则直方图与相对频率图相同。

直方图有时会与条形图(bar charts)混淆。在直方图中,每个桶代表不同的值范围,因此整个直方图可以展示值的分布。但在条形图中,每个条形代表不同的观测类别(例如,每个条形可能代表不同的总体),因此条形图可以用来比较不同的类别。一些作者建议条形图的条形之间应始终留有间隙,以表明它们不是直方图。

2. 词“histogram”的词源

“直方图”一词最初由数理统计学创始人Karl Pearson于1892年在伦敦大学学院的讲座中提出。Pearson的术语有时被错误地理解为将希腊语词根“γραμμα“(gramma,意为“图形”或“绘画”)与词根“ἱστορία”( historia,意为“探究”或“历史”)结合在一起。另一种解释是将词根“ἱστίον”(histion,意为“组织”) 结合起来,后者意为“网(web)”或“组织(tissue)”(例如在组织学中,即研究生物组织的学科)。这两种词源都是错误的,事实上,精通古希腊语的Pearson将这个术语衍生自另一个同音的希腊语词根“ἱστός”,意为“竖立的东西(something set upright)”、“桅杆(mast)”,指的是图表中的竖条。Pearson的新术语嵌入到了一系列类似的新词中,例如“stigmogram”(直方图)和“radiogram”(放射图)。

         Pearson本人在1895年指出,尽管“直方图”一词是新词,但它所指的图形类型是“一种常见的图形表示形式”。事实上,使用条形图表示统计测量的技术是由苏格兰经济学家 William Playfair 在其1786年出版的《商业与政治地图集》中发明的。

3. 解释直方图

直方图对于理解数据分布的形状特别有用。直方图以图形方式相对客观地显示数据集中每个值出现的频率。直方图可以很容易地看出哪些值最常见,哪些值最不常见。在直方图中,横轴表示被测数据类型的值范围,纵轴表示每个区间内有多少个观测值。


bin——可译为“箱、桶、区间”。

Frequency (or count) of values that fall into each bin——落入每个桶中的值的频率(或计数)。

Number line——数线或数轴。

Tree circumference(mm)——树围(mm)(毫米)。

1 numeric variable——1 个数值变量。

    直方图是数据集的直观表示,它显示数据集中每个值出现的频率。这些值沿 x 轴分组到不同的桶中。条形的高度表示数据集中有多少个值落入该桶中。在此示例中,直方图显示了随时间测量的橙树周长数据集中的所有树木周长值。这 35 个周长值被分成五个桶:第一个桶包含周长为 0 至 49 毫米的树木;第二个桶包含周长为 50 至 99 毫米的树木;第三个桶包含周长为 100 至 149 毫米的树木;第四个桶包含周长为 150 至 199 毫米的树木;最后一个桶包含周长为 200 至 250 毫米的树木。橙色条的高度表示每个桶中有多少棵树。蓝色文字描述了直方图的常见组成部分。在本例中,数值变量的数轴是 x 轴。

    此类数据可视化有助于回答以下问题:

(1) 数据的中心在哪里?

(2) 数据的分布情况如何?数据的范围是多少?

(3) 数据的形状如何?例如,它是对称的、倾斜的、均匀的还是双峰的?

(4) 两个(或多个)数据集之间的差异有多大?

    观察直方图时,请务必注意以下几点:

(1) 数轴(通常是 x 轴)跨越数据集中某个数值变量的最小值和最大值。

(2) 这条数轴被分成大小相等的区间(interval),称为桶 (bin),涵盖数据中值的范围。

(3) 直方图显示某个值落入特定桶的频率。

(4) 每条柱状图的高度表示数据集中落入特定桶的值的数量。

(5) 当 y 轴标记为“计数”或“数值”时,y 轴上的数字往往是离散的正整数。每条柱状图的高度表示落入每个区间的数据点数量。

(6) 当 y 轴标记为“相对频率”时,y 轴上的数字往往在 0 到 1.0 之间,或 0 到 100% 之间。每条柱状图的高度表示落入每个区间的值的比例或百分比。

(7) 直方图可以轻松显示数据集中哪些值最常见,哪些值最不常见。

(8) 直方图在视觉上与条形图有所不同。直方图的条形之间没有间隙,而条形图的条形之间有间隙。

4. 例子

(1)  使用了 500 个项的直方图。

桶/区间

数量/频率

−3.5 至 −2.51

9

−2.5至−1.51

32

−1.5至−0.51

109

−0.5至0.49

180

0.5至1.49

132

1.5至2.49

34

2.5至3.49

4

-----------------------------------x的直方图----------------------------------

(2)  用于描述直方图中模式的词语有:“对称(symmetric)”、“左偏(skewed left)”或“右偏(skewed right)”、“单峰模式(unimodal)”、“双峰模式(bimodal)”或“多峰模式(multimodal)”。

--------------------------------------------------对称,单峰--------------------------------------------- 

---------------------------------------------------右斜--------------------------------------------------

---------------------------------------------------左斜---------------------------------------------

------------------------------------------------双峰------------------------------------------------

----------------------------------------------多峰-----------------------------------------------

-------------------------------------------对称------------------------------------------------ 

(3)  为了更好地理解数据,最好使用几种不同的桶宽来绘制数据。以下是一个关于餐厅小费的示例。

----------------------------------使用 1美元桶宽、右斜、单峰的提示------------------------------------ 

------------------------------使用 10厘米桶宽的提示,仍然右斜,多峰,模式为美元和50美分金额,表示四舍五入,也有一些异常值-----------------------------

(4)  美国人口普查局发现,有1.24亿人外出工作。下表根据其通勤时间数据,显示回答“至少30分钟但少于35分钟”通勤时间的人数绝对值高于其上下类别的人数。这可能是由于人们对报告的通勤时间进行了四舍五入。在收集民众数据时,将数值报告为略显随意的四舍五入数字是一个常见现象。

绝对数字数据

桶/区间

宽度

数量

数量/宽度

0

5

4180

836

5

5

13687

2737

10

5

18618

3723

15

5

19634

3926

20

5

17981

3596

25

5

7190

1438

30

5

16369

3273

35

5

3212

642

40

5

4122

824

45

15

9200

613

60

30

6461

215

90

60

3435

57

-------------------------美国 2000 年人口普查上班时间直方图。曲线下面积等于案例总数。此图使用了表格中的 Q/宽度。(通勤时间单位:分钟)--------------------------

    该直方图将单位区间内的案例数显示为每个区块的高度,因此每个区块的面积等于调查中属于该类别的人数。曲线下的面积代表案例总数(1.24亿)。此类直方图显示的是绝对数字,Q以千为单位。

 

(5)   按比例的数据

桶/区间

宽度

数量(Q)

数量/总数/宽度(表示除以)

0

5

4180

0.0067

5

5

13687

0.0221

10

5

18618

0.0300

15

5

19634

0.0316

20

5

17981

0.0290

25

5

7190

0.0116

30

5

16369

0.0264

35

5

3212

0.0052

40

5

4122

0.0066

45

15

9200

0.0049

60

30

6461

0.0017

90

60

3435

0.0005

    此直方图与第一个直方图仅在垂直尺度上有所不同。每个块的面积是每个类别所占总数的分数,所有条形的总面积等于 1(分母表示“全部”)。显示的曲线是简单的密度估计值。此版本显示比例,也称为单位面积直方图。

    换言说,直方图用矩形表示频率分布,矩形的宽度表示类距(class intervals),面积与相应的频率成正比:每个矩形的高度表示该类距的平均频率密度。这些类距被放在一起,是为了表明直方图所表示的数据虽然互不相容,但也是连续的。(例如,在直方图中,可以存在 10.5-20.5 和 20.5-33.5 两个相连的类距,但不能存在 10.5-20.5 和 22.5-32.5 两个相连的类距。空类距表示为空,不会被跳过。)

-------------------------------2000 年美国人口普查上班时间直方图。曲线下面积为 1。此图使用表格中的 Q/总面积/宽度(拥挤程度)。方块高度代表拥挤程度,定义为每水平单位的百分比。--------------------------------------------------------

5. 直方图的数学定义

    用于构建直方图的数据是通过函数 m_{i}  生成的,该函数计算落入每个不相交类别(称为 “桶或箱(bin)”)的观测值数量。因此,如果我们设 n  为观测值总数,k 为桶总数,则直方图数据 m_{i}  满足以下条件:

\displaystyle n = \sum_{i=0}^{k}m_{i} 。(译注:即直方图曲线下的总面积。)

直方图可以被认为是一种简化的核密度估计,它使用核函数来平滑区间的频率。这样可以得到更平滑的概率密度函数,通常能够更准确地反映基础变量的分布。密度估计可以作为直方图的替代绘制,通常绘制为曲线而不是一组框。然而,当需要对直方图的统计特性进行建模时,直方图在应用中是首选。核密度估计的相关变化很难用数学描述,而对于每个区间独立变化的直方图来说,描述起来则很简单。

    核密度估计的替代方法是平均平移直方图,它计算速度快,并且无需使用核即可给出密度的平滑曲线估计。

5.1  累积直方图(Cumulative histogram)

    累积直方图:一种映射,用于统计指定直方图前所有直方图中观测值的累积数量。例如,直方图 m_{i} 的累积直方图 M_{i} 可以定义为:

\displaystyle M_{i} = \sum_{j=1}^{i}m_{i}  。

5.2   桶(箱)和宽度的数量

    没有“最佳”的桶数,不同的桶宽可以揭示数据的不同特征。数据分组至少与17世纪Graunt的研究一样古老,但直到1926年Sturges的研究才出现系统的指导原则。

在底层数据点密度较低的情况下,使用较宽的桶宽可以降低采样随机性造成的噪声;在密度较高的情况下,使用较窄的箱宽(这样信号会淹没噪声)可以提高密度估计的精度。因此,在直方图中改变桶宽可能会有所帮助。尽管如此,等宽桶宽仍然被广泛使用。

    一些理论家尝试确定最佳的桶宽,但这些方法通常对分布的形状做出了严格的假设。根据实际数据分布和分析目标,不同的桶宽可能更合适,因此通常需要进行实验来确定合适的宽度。然而,也存在各种有用的指导原则和经验法则。

    桶数 k 可以直接指定,也可以根据建议的桶宽 h 计算得出:

\displaystyle k =\left \lceil \frac{\mathsf{max}{(x)}-\mathsf{min}(x)}{h} \right \rceil  (括号表示上限)。

------------------------------------------用不同的桶宽表示的直方图数据-----------------------------

5.2.1  平方根的选择

\displaystyle k=\left \lceil \sqrt{n} \:\:\right \rceil  。

对样本中数据点的数量取平方根,并四舍五入到下一个整数。许多基础统计学教科书都提出了这条规则,并且它被广泛应用于许多软件包中。

5.2.1  Sturges公式

    Sturges 规则源自二项分布(binomial distribution),并隐式假设了近似正态分布(normal distribution)。

\displaystyle k = \left \lceil \log_{2}{n} \right \rceil + 1 。

Sturges公式隐式地根据数据的范围确定了分桶大小,如果 n < 30,其性能可能会很差,因为分桶数量会很少(少于 7 个),而且不太可能很好地显示数据的趋势。另一方面,对于非常大的数据集,Sturges公式可能会高估分桶宽度,导致直方图过于平滑。如果数据不服从正态分布,其性能也可能很差。

    与另外两个被广泛接受的直方图分桶公式 Scott规则和Terrell-Scott 规则相比,当 n ≈ 100 时,Sturges公式的输出最接近。

5.2.3  Rice法则

\displaystyle k = \left \lceil \: 2\sqrt[3]{n} \:\: \right \rceil  。

Rice法则是作为 Sturges 法则的一个简单替代法则提出的。

5.2.4  Doane公式

    Doane 公式是 Sturges 公式的修改版,其试图提高其处理非正态数据的性能。

\displaystyle k = 1 + \log_{2}{(n)}+ \log_{2}\left ( 1+\frac{|g_{1}|}{\sigma_{g_{1}}} \right )  ,

其中,g_{1}  是估计的分布的三阶矩偏度(3rd-moment-skewness)而

\displaystyle \sigma_{g_{1}}=\sqrt{\frac{6(n-2)}{(n+1)(n+3)}}  。

5.2.5  Scott正态参考法则

    符宽度 h 为

\displaystyle h=\frac{3.49\widehat{\sigma}}{\sqrt[3]{n}}  ,

其中  \widehat{\sigma} 是样本标准差。Scott 正态参考规则对于正态分布数据的随机样本是最优的,因为它可以最小化密度估计的积分均方误差。这是 Microsoft Excel 中使用的默认规则。

5.2.6  Terrell–Scott法则

\displaystyle k= \left \lceil \sqrt[3]{2n} \right \rceil 。

Terrell-Scott 法则并非正态参考法则。它给出了渐近最优直方图所需的最小区间数,其中最优性通过积分均方误差来衡量。该界限是通过寻找“最平滑”的可能密度得出的,该密度为  \frac{3}{4}(1-x^{2})  。任何其他密度都需要更多的区间,因此上述估计也称为“过度平滑”规则。这两个公式的相似性,以及 Terrell 和 Scott 在提出该规则时都在Rice大学的事实,表明这也是Rice法则的起源。

5.2.7  Freedman–Diaconis 法则

    Freedman-Diaconis 法则给出的桶宽 h 为:

\displaystyle h = 2\frac{\mathsf{IQR}(x)}{\sqrt[3]{n}}  ,

它基于四分位距(interquartile range),用 IQR 表示。它用 2IQR 取代了 Scott法则的 3.5σ,后者对数据异常值的敏感度低于标准差。

5.2.8  最小化交叉验证估计平方误差(Minimizing cross-validation estimated squared error)

    这种最小化Scott法规中的综合均方误差的方法,可以推广到正态分布之外,即通过使用留一交叉验证(leave-one out cross validation):

\displaystyle \mathop{\arg\min}_{h}{\hat{J}(h)}= \mathop{\arg\min}_{h}{\left (\frac{2}{(n-1)h}-\frac{n+1}{n^{2}(n-1)h}\Sigma_{k}{N_{k}^{2}} \right )} ,

此处 N_{k} 是第 k 个桶中的数据点数,选择最小化 J 的 h 值将最小化积分均方误差。

5.2.9  Shimazaki和Shinomoto的选择(Shimazaki and Shinomoto's choice)

    该选择基于估计的 L^{2}  风险函数的最小化

\displaystyle \mathop{\arg\min}_{h}{​{\frac{2\overline{m}-v}{h^{2}}}} ,

其中,\overline{m} 和v 分别是均值和箱宽为 h 的直方图的偏方差(biased variance), \overline{m}=\frac{1}{k}\Sigma_{i=1}^{k}m_{i} ,v=\frac{1}{k}\Sigma_{i=1}^{k}\left (m_{i}-\overline{m} \right )^{2} 。

5.2.10  可变桶宽(箱宽)

对于某些应用,与其选择等距的桶宽,不如改变桶。这样可以避免出现计数较低的桶。一种常见的情况是选择等概率桶,其中每个桶的样本数量预计大致相等。桶可以根据某个已知分布选择,也可以根据数据选择,使得每个桶包含 ≈ n/k个样本。绘制直方图时,频率密度用作因变量轴。虽然所有桶的面积大致相等,但直方图的高度近似于密度分布。

    对于等概率桶,建议桶数遵循以下法则:

k=2n^{2/5}  。

选择这样的桶是为了最大化Pearson chi平方检验的功效,该检验用于检验桶是否包含相等数量的样本。更具体地说,对于给定的置信区间 α ,建议选择以下等式的 1/2 到 1 倍之间的值:

\displaystyle k=4\left (\frac{2n^{2}}{\Phi^{-1}(\alpha)} \right )^{\frac{2}{5}}  ,

其中, \Phi^{-1}(\alpha) 是概率单位函数(probit function)。按照这个法则,α = 0.05 就会得出介于 1.88n^{2/5} 与 3.77n^{2/5} 之间的数;从这个广泛的最优值中选择系数 2 作为一个容易记住的值。

5.2.11  评注

桶数量应与 \sqrt[3]{n}  成正比的一个合理理由是:假设数据为 n个具有平滑密度的有界概率分布的独立实现。那么,当 n 趋向于无穷大时,直方图仍然同样“粗糙”。如果 s 是分布的“宽度”(例如,标准差或四分位距(inter-quartile range)),则桶中的单位数(频率)的阶(order)为 \sqrt{s/(nh)} ,相对标准误差的阶数为 \sqrt{s/(nh)} 。与下一个桶相比,如果密度的导数非零,则频率的相对变化阶数为 h/s 。如果 h 的阶数为 s/\sqrt[3]{n}  ,则这两个阶数相同,因此 k 的阶数为  \sqrt[3]{n} 。这种简单的立方根选择方法也适用于宽度非恒定的桶。

  

 

直方图绘制 如何选择bins数 @创建于:20201216 @修改于:20201216 文章目录1、直方图分bin的必要性2、计算bin数的方法2.1 SquareRoot2.2 Sturges2.3 Freedman-Diaconis2.4 Scott3、参考链接 1、直方图分bin的必要性 在python、matlab、ROOT(https://root.cern.ch/)语言中,画直方图(histogram)来观察众多事例的整体分布是一种非常有效的方式。为了更客观且较好的方式反映数据本身的分布形态,需要对bin数(bin等宽情况)进 阅读详情

相关推荐

详解直方图均衡化

是图像处理中一种常用的对比度增强技术,通过调整图像的灰度分布,使得图像的直方图尽可能均匀分布,从而提高图像的对比度和细节表现。直方图均衡化的目标是将图像的灰度直方图从集中分布调整为均匀分布,从而增强图像的对比度。通过理解直方图均衡化的原理和应用,可以更好地处理低对比度图像,提升图像的视觉效果和信息提取能力。将原始图像的灰度值映射到新的灰度值范围。直方图均衡化的核心思想是通过。假设原始图像的灰度值为。

qq_56921730的博客 2100

基础知识之————直方图

一、什么是直方图 直方图就是亮度分布图!!! 要理解直方图,绕不开“亮度”这个概念。人们把照片的亮度分为0到255共256个数值,数值越大,代表的亮度越高。其中0代表纯黑色的最暗区域,255表示最亮的纯白色,而中间的数字就是不同亮度的灰色。人们还进一步把这些亮度分为了5个区域,分别是黑色,阴影,中间调,高光和白色。 当我们用横轴代表0-255的亮度数值。竖轴代表照片中对应亮度的像素数量,这个函数图像就被称为直方图。 直方图中柱子的高度,代表了画面中有多少像素是那个亮度,其实就可以

ty197846的专栏 1万+

OpenCV之直方图绘制(calcHist函数详解)

目录1.直方图的定义2.calcHist()函数说明3.绘制直方图3.1 读取原图像并检查图像是否读取成功3.2 定义直方图参数并计算直方图3.3 绘制直方图4.关于BGR直方图的绘制4.1 读取原图像并检查图像是否读取成功4.2 分通道显示4.3 分B,G,R计算直方图4.4 绘制直方图 1.直方图的定义 要理解直方图,绕不开“亮度”这个概念。人们把亮度分为0到255共256个数值,数值越大,代表的亮度越高。其中0代表纯黑色的最暗区域,255表示最亮的纯白色,而中间的数字就是不同亮度的灰色。人们还进一步把

Wendy的博客 3万+

直方图实例详解(颜色直方图、灰度直方图)

一、前言 二、直方图的概念 三、颜色直方图 (1)、颜色直方图定义 (2)、颜色直方图使用方法 (3)、绘制颜色直方图 ①、绘制普通颜色直方图 ②、绘制灰度图像直方图 ③、绘制彩色图像直方图 ④、不同亮度图片直方图对比图 ⑤、彩色图像直方图(绘制在同一张图) 四、灰度直方图 (1)、灰度直方图定义 (2)、灰度直方图函数 (3)、灰度直方图实例 ①、绘制普通灰度直方图 ②、绘制多通道图像直方图 五、使用掩模绘制直方图 ①、绘制方形掩模图像及直方图 ②、绘制圆形掩模图像及直方图 六、总结

逆境清醒的博客 3万+

opencv 图像直方图详解

//直方图 void test_Hist() { using namespace cv; cv::Mat image = cv::imread(“D:\QtProject\Opencv_Example\drawRect\drawRect.jpg”, cv::IMREAD_GRAYSCALE); if (image.empty()) { cout << “Cannot load image” << endl; return; } imshow(“image”,image); const

weixin_44901043的博客 9329

OpenCV 直方图概念,直方图均衡化原理详解

直方图(Histogram)是一种图表,用于显示数据集的分布情况。它通过将数据范围划分为若干个连续的区间(称为“桶”或“箱”—bins),然后统计每个区间内的数据点数量,以条形图的形式展示这些数量。横轴表示数据的取值范围,纵轴表示每个区间内数据点的数量或频率。

weixin_46999174的博客 2169

直方图的定义、意义和特征

直方图的定义、意义和特征 1. 定义 在统计学中,直方图是一种对数据分布情况的图形表示,是一种二维统计图表,他的两个坐标分别是统计样本(图像、视频帧)和样本的某种属性(亮度,像素值,梯度,方向,色彩等等任何特征)。 2. 意义 (1)直方图是图像中像素强度分布的图形表达方式。 (2)直方图统计了每一个强度值所具有的像素个数。 3. 特征 (1)直方图不再表征任何的图像纹理信息,而是对图像像素的统计。 (2)由于同一物体无论是旋转还是平移在图像中都具有相同的灰度值,因此直方图具有平移不变性、放

So come on 1万+

R语言plotly可视化:plotly可视化累积cumulative直方图(Cumulative Histogram)

R语言plotly可视化:plotly可视化累积cumulative直方图(Cumulative Histogram)

data+scenario+science+insight 1377

中直方图的绘制与保存_Python可视化|matplotlib13-直方图(histogram)详解

python matplotlib.pyplot中直方图(histogram)详解。 直方图(histogram)展示离散型数据分布情况,直观理解为将数据按照一定规律分区间,统计每个区间中落入的数据频数,绘制区间与频数的柱状图即为直方图。 欢迎随缘关注@pythonic生物人1、绘图数据集准备使用sklearn内置的鸢尾花iris数据集,数据集详细介绍见:Python可视化|matplotlib...

weixin_39787397的博客 1425

OpenCV-Python实战(7)——直方图详解

直方图是一种强大的技术,可以用于更好地理解图像内容。例如,许多相机在拍照时会实时显示正在捕获的场景的直方图,以调整相机拍摄的一些参数(例如曝光时间、亮度或对比度等)。在本文中,我们将学习直方图的相关概念,以及如何创建直方图。

盼小辉丶的博客 2万+

OpenCV实战(8)——直方图详解

一张图像由若干像素组成,每个像素如果包含一个值(一个通道),则可以组成一张灰度图像;或者如果每个像素包含三个值(三个通道),则可以组成一张彩色图像。每个通道的取值范围为 0 到 255。本节介绍图像直方图的概念,学习如何计算直方图以及如何使用它来修改图像的外观。直方图还可用于表征图像的内容并检测图像中的特定对象或纹理。

盼小辉丶的博客 2万+

17.OpenCV图像直方图、二维直方图与直方图均衡化详解

在图像处理领域,直方图是一种常用的统计工具,用于描述图像中像素值的分布情况。直方图不仅能揭示图像的对比度、亮度等信息,还可用于图像增强、分割、匹配等应用。本文将介绍如何使用 OpenCV C++ 计算图像直方图、构建二维直方图,以及如何进行直方图均衡化,从而提升图像质量。

qp135790的博客 1633

智能问数产品背后的Agent技术揭秘:从任务分解到工具调用的完整流程

本文深入解析智能问数产品背后的Agent技术,从任务分解到工具调用的完整流程。通过大模型驱动的语义理解和动态工具调度,Agent系统能高效处理复杂数据分析需求,显著提升响应速度和准确率。文章详细介绍了模块化架构、任务分解机制、动态工具调用及双通道记忆系统等核心技术,展示了大模型时代的新型数据分析范式。

weixin_30399821的博客 440

python 直方图_Python可视化|matplotlib13-直方图(histogram)详解

python matplotlib.pyplot中直方图(histogram)详解。 直方图(histogram)展示离散型数据分布情况,直观理解为将数据按照一定规律分区间,统计每个区间中落入的数据频数,绘制区间与频数的柱状图即为直方图。 欢迎随缘关注@pythonic生物人1、绘图数据集准备使用sklearn内置的鸢尾花iris数据集,数据集详细介绍见:Python可视化|matplotlib...

weixin_39845306的博客 1572

常学常新:《Attention Is All You Need》万字解读!

常学常新:《Attention Is All You Need》万字解读!

hunteritself的博客 3660

OpenSceneGraph编译、安装、开发环境

详细描述WIndows 10下使用Visual Studio 2019编译OpenSceneGraph 3.6.5的操作流程

国产CAx(CAD/CAE/CAM)软件研发 8774

opencv直方图绘制详解

在统计学中,直方图是一种对数据分布情况的图形表示,是一种二维统计图表, 他的两个坐标分别是统计样本(图像、视频帧)和样本的某种属性(亮度,像素值,梯度,方向,色彩等等任何特征)

景天科技苑 1588

GAN管CGH40010F设计宽带Doherty功放:如何用ADS搞定输入匹配、合路网络与功分器?

本文详细介绍了基于CGH40010F GaN晶体管的宽带Doherty功放设计流程,重点讲解在ADS平台中实现输入匹配网络、合路网络与功分器的关键技术。通过寄生参数补偿、渐变微带线设计和复合补偿结构等方法,解决了宽带化设计中的核心挑战,最终实现1.7-2.6GHz频段内72%的峰值效率和52%的回退效率。

weixin_42614269的博客 473

OpenCV-Python实战(7)——直方图详解_python直方图作用

直方图是一种强大的技术,可以用于更好地理解图像内容。例如,许多相机在拍照时会实时显示正在捕获的场景的直方图,以调整相机拍摄的一些参数(例如曝光时间、亮度或对比度等)。在本文中,我们将学习直方图的相关概念,以及如何创建直方图。在结束之际,我想重申的是,学习并非如攀登险峻高峰,而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后,持之以恒的学习变得愈发不易,如同在茫茫大海中独自划舟,稍有松懈便可能被巨浪吞噬。然而,对于我们程序员而言,学习是生存之本,是我们在激烈市场竞争中立于不败之地的关键。

m0_60388419的博客 356

overleaf导入模板

本文介绍了如何在Overleaf平台导入Springer Nature模板。首先下载所需的模板压缩包,然后在Overleaf中选择"Upload project"上传该压缩包。上传后会显示模板文件,包括EPS格式图像文件、LaTeX源文件、BibTeX参考文献文件、PDF输出文件以及文档类文件。这些文件共同构成了完整的LaTeX模板,可用于学术论文写作和排版。

A2787960542的博客 1151

CRaxsRat v7.4远程管理工具使用教程(附资源下载)

CRaxsRat是一款图形化界面友好、功能较全面的远程管理平台,主要用于对多台计算机的统一维护与管理。该工具适用于以下场景:内网远程运维教学演示环境局域网设备调试程序自动化控制测试支持多种加密通信方式优化了远程桌面传输稳定性增加了自定义脚本模块后台运行更稳定,占用资源更少。

lzj781210的博客 2153

QC七大手法之直方图详解

http://www.gztaiyou.com/html/2012723154451.html

酒逢知己千杯少,欢迎驾临 890

Ubuntu 24.04 搭建 Squid 代理服务器终极指南:从入门到 HTTPS 缓存AI模型

本文详细指导在Ubuntu 24.04系统部署Squid代理服务器,实现AI大模型文件的高效缓存。重点内容包括:1) 安装squid及必备的squid-openssl扩展包;2) 配置HTTPS拦截(SSL-Bumping)功能,创建CA证书和SSL数据库;3) 优化缓存策略,设置4TB存储空间并强制缓存常见大文件格式;4) 结合华为防火墙实现透明代理。文章特别强调实际部署中的关键注意事项和常见错误解决方案,如证书路径配置、权限设置等问题,帮助用户快速搭建企业级缓存代理服务。

zlt315的博客 1921

Matlab-图像直方图函数imhist详解

利用matlab计算图像直方图函数为imhist() 具体用法: imhist( i );直接显示图像i的灰度直方图; imhist(i,n)n为指定灰度级显示直方图; [count, x] = imhist( i ) 获取直方图信息,count为每一级灰度像素个数,x为灰度级,x也可以在imhist(i,x)中指定,可以通过stem(x,count)画相应直方图;代码应用:i = imre

三哥的博客 11万+

程序进入hardfault之后查找原因的方法

如果在MCU运行程序的时候,进入了hardfault,该怎么办?

smart_boy__的博客 763

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: 从微积分到集合论(1630-1910)(历史简介)——第0章——导读和解释(I.Grattan-Guinness)
下一篇: 理解直方图均衡化(强度分布均等化)
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值