OpenCV图像处理之直方图

最新推荐文章于 2025-07-12 23:51:34 发布

原创

最新推荐文章于 2025-07-12 23:51:34 发布 · 381 阅读

1 ·

CC 4.0 BY-SA版权

本文介绍了图像直方图的概念，包括bin、dims和range等术语，以及直方图在图像亮度分布中的应用。直方图均衡化能提升图像对比度，而自适应直方图均衡化则通过对比度限制和双线性差值处理，有效减少噪声并增强图像细节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

直方图

直方图是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的 bin 当中。其中， bin 为直方图中经常用到的一个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。

图像直方图（Image Histogram）是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素个数。这种直方图中，横坐标的左侧为较暗的区域，而右侧为较亮的区域。因此一张较暗图片的直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。

假设有一张图像的信息（灰度值 0 - 255，已知数字的范围包含 256 个值，于是可以按一定规律将这个范围分割成子区域（也就是 bins）。如：

在这里插入图片描述然后再统计每一个 bin(i) 的像素数目。可以得到下图（其中 x 轴表示 bin，y 轴表示各个 bin 中的像素个数）：

直方图的一些术语和细节：

dims：需要统计的特征数目。在上例中，dims = 1 ，因为仅仅统计了灰度值。统计RGB,就dims=3
bins：每个特征空间子区段的数目，可译为 “直条” 或 “组距”，在上例中， bins = 16。一般分256，每个像素进行统计
range：要统计特征的取值范围。在上例中，range = [0, 255]。
直方图的意义：

直方图是图像中像素强度分布的图形表达方式。
它统计了每一个强度值所具有的像素个数。
不同的图像的直方图可能是相同的

例如，全黑图片，1/3出有一条白线，和2/3处有一条白线，直方图相同

API：

cv2.calcHist(images,channels,mask,histSize,ranges[,hist[,accumulate]])
参数：

images: 原图像。当传入函数时应该用中括号 [] 括起来，例如：[img]。

channels: 如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。

mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。（后边有例子）

histSize:BIN 的数目。也应该用中括号括起来，例如：[256]。

ranges: 像素值范围，通常为 [0，256]

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 1 直接以灰度图的方式读入
img = cv.imread('./006.jpg',0)
# 2 统计灰度图
histr = cv.calcHist([img],[0],None,[256],[0,256])


# 5. 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img,cmap=plt.cm.gray)
axes[0,0].set_title