如何使用OpenCV Python计算和显示直方图
- 本文目录导读：
- 1、什么是直方图？
- 2、如何计算和显示直方图？
- 3、如何调整直方图？
在数字图像处理中，直方图是一种常见的工具，用于分析像素值的分布情况。它可以帮助我们了解图片的亮度、对比度以及颜色等属性，并且还能够辅助我们进行图像增强和调整。在本文中，我将介绍如何使用OpenCV Python来计算和显示直方图。
什么是直方图？
简单来说，直方图就是统计每个灰度级别或者颜色通道上出现次数的柱状分布。例如，在一张灰度图片中，如果一个像素点的亮度为100，则会在100这个位置加1；如果有另外一个亮度为200的像素点，则会在200这个位置加1。最终得到一个由0到255组成的数组（或向量），其中每个元素代表该灰度级别或者颜色通道上出现次数。
如何计算和显示直方图？
要计算并显示一张图片的直方图，第一需要导入OpenCV和NumPy库：
```
import cv2
import numpy as np
然后读取待处理图片：
img = cv2.imread('image.jpg', 0)
其中参数0表示将彩色图片转换为灰度模式。
接下来使用cv2.calcHist()函数来计算直方图：
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
其中参数[img]表示要处理的图片，[0]表示要处理的通道（在灰度模式下只有一个通道），None表示不使用掩膜，[256]表示将像素值分成256个区间进行统计，[0, 256]则是指定像素值范围。
最后通过Matplotlib库来显示直方图：
import matplotlib.pyplot as plt
plt.hist(img.ravel(), 256, [0, 256])
plt.show()
其中ravel()函数用于将多维数组转换为一维数组，并且第二个参数和第三个参数与cv2.calcHist()中相同。
如何调整直方图？
通过对直方图进行调整可以改善图片的亮度、对比度以及颜色饱和度等属性。常见的几种方法包括：线性拉伸、均衡化和匹配。
线性拉伸是一种简单而有效的方法，在这种方法中我们需要确定两个端点并将其映射到黑色和白色之间。例如：
minVal = np.min(img)
maxVal = np.max(img)
dst = (img - minVal) * (255. / (maxVal - minVal))
dst = dst.astype(np.uint8)
在上述代码中，np.min()和np.max()分别求出了最小值和最大值，然后将其映射到0到255之间。注意要将结果转换为无符号整型。
均衡化是一种常见的直方图调整方法，它可以提高图片的对比度并增强细节。在OpenCV中，我们可以使用cv2.equalizeHist()函数来实现：
equ = cv2.equalizeHist(img)
匹配则是指通过一个已知的直方图模板来调整待处理图片的直方图。例如，在某些情况下需要让两张图片具有相似的色调或亮度等属性时就可以使用这种方法。
本文介绍了如何使用OpenCV Python计算和显示直方图，并且简单介绍了几种常见的直方图调整方法。希望读者们能够掌握这些技能，并且在实际应用中灵活运用它们。如果您还有其他关于数字图像处理或者机器学习等问题，请随时联系我！
