使用直方图分析图像的 OpenCV Python程序

本文讨论了使用 Matplotlib 和 OpenCV 进行图像分析。我们先来了解如何对各种风格的图像数据进行实验，以及如何用直方图表示。
先决条件：

开放式CV
matplotlib

导入图像数据

import matplotlib.pyplot as plt #importing matplotlib

该图像应在 PNG 文件中使用，因为 matplotlib 仅支持 PNG 图像。这里，它是本示例中使用的 24 位 RGB PNG 图像（R、G、B 各 8 位）。每个内部列表代表一个像素。在这里，对于 RGB 图像，有 3 个值。对于 RGB 图像，matplotlib 支持 float32 和 uint8 数据类型。

img = plt.imread('flower.png') #reads image data

在 Matplotlib 中，这是使用imshow()函数执行的。在这里，我们抓取了绘图对象。

关于直方图

直方图被认为是与灰度图像中像素频率相关的图形或绘图
像素值（范围从 0 到 255）。灰度图像是每个像素的值为单个样本的图像，即它只携带像素值从0到255变化的强度信息。这种图像也称为黑白图像，由完全是灰色阴影，从最弱的黑色到最强的白色，像素可以被视为图像中的每个点。
灰度图像的外观如何：

它量化了所考虑的每个强度值的像素数。在浏览直方图之前，让我们从这个给定的例子中大致了解一下。
histogram_sample
在这里，我们可以直观地了解该图像的对比度、亮度、强度分布等。我们可以看到图像及其直方图是为灰度图像而不是彩色图像绘制的。
直方图的左侧区域显示图像中较暗像素的数量，右侧区域显示较亮像素的数量。

使用 numpy 数组创建直方图

要创建图像数据的直方图，我们使用 hist()函数。

plt.hist(n_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k') #calculating histogram

在我们的直方图中，看起来像灰度图像的黑白像素在整个图像上都有强度分布。

从直方图中，我们可以得出结论，暗区多于亮区。

现在，我们将处理由像素值变化的像素强度分布组成的图像。首先，我们需要使用 OpenCV 内置函数计算直方图。

直方图计算

在这里，我们使用 cv2.calcHist()（OpenCV 中的内置函数）来查找直方图。

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

images ：它是 uint8 或 float32 类型的源图像，表示为“[img]”。
通道：它是我们计算直方图的通道索引。对于灰度图像，其值为 [0] 并且
彩色图像，您可以通过 [0]、[1] 或 [2] 分别计算蓝色、绿色或红色通道的直方图。
掩码：掩码图像。为了找到完整图像的直方图，它被指定为“无”。
histSize ：这代表我们的 BIN 计数。对于全尺寸，我们通过 [256]。
范围：这是我们的范围。通常，它是 [0,256]。

例如：

# load an image in grayscale mode
img = cv2.imread('ex.jpg',0)
  
# calculate frequency of pixels in range 0-255
histg = cv2.calcHist([img],[0],None,[256],[0,256])

然后，我们需要绘制直方图来显示图像的特征。

绘制直方图

使用 Matplotlib 分析：

# importing required libraries of opencv
import cv2
  
# importing library for plotting
from matplotlib import pyplot as plt
  
# reads an input image
img = cv2.imread('ex.jpg',0)
  
# find frequency of pixels in range 0-255
histr = cv2.calcHist([img],[0],None,[256],[0,256])
  
# show the plotting graph of an image
plt.plot(histr)
plt.show()

输入：
自然2
自然3
自然4
输出：

插图显示图像的每个像素数位于 0 到 255 的范围内。在第二个示例中，它直接找到直方图并绘制它。我们不需要使用 calcHist()。请看下面的代码：

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('ex.jpg',0)
  
# alternative way to find histogram of an image
plt.hist(img.ravel(),256,[0,256])
plt.show()

输出：

因此，我们得出结论，图像可以表示为直方图，以构想图像上的强度分布的概念并进一步提高其宁静度。

参考：

http://docs.opencv.org/2.4/doc/tutorials/imgproc/table_of_content_imgproc/table_of_content_imgproc.html#table-of-content-imgproc
http://www.cambridgeincolour.com/tutorials/histograms1.htm