系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Python 机器学习入门之pandas的使用

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 系列文章目录
• 前言
• 一、遇到的问题
• 二、使用hist()函数绘制直方图
• 三、用calcHist()函数查找直方图
• 3、应用掩模的直方图
• 四、NumPy中的直方图
• 五、直方图均衡化
• 六、限制对比度自适应直方图均衡化
• 七、二维直方图
• 八、实验一 使用Numpy函数计算直方图
• 九、实验2 使用OpenCV函数计算直方图
• 总结

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考

一、遇到的问题

在做第一个实验室，遇到一个问题：plt.show()无法输出直方图，都没有一闪而过，直接就输出不了图。

后来经过我排查后，发现是环境的问题，我装的是anaconda，然后在base环境里面出现这个问题，由于之前在这个环境里面跑了许多实验，有删除matplotlib依赖项的嫌疑。后来我重新创建了一个虚拟环境解决该问题。

conda create -n CV python=3.9  #在conda里面创环境命令格式是这样的，conda create -n 环境名 python=版本号

另外，当conda isntall 包名 太慢时，可以用pip install 包名来下载。

二、使用hist()函数绘制直方图

BINS=16

BINS=256

#test6-1.py：使用hist()函数绘制直方图
""" 函数说明matplotlib.pyplot.hist(src,bins)src为绘制直方图的图像数据，必须是一维数组。一般OpenCV中的BGR图像是三维数组，所以需要用ravel()函数转换为一维数组bins为灰度级分组数量，将灰度级按一定范围进行划分得到的子集数量为BINS。灰度图像灰度级范围[0,255]，按16个灰度级分为一组，可以分成16个子集，则BINS为16
"""
import cv2
import matplotlib.pyplot as plt 
img=cv2.imread('gate.jpg')  		     #读取图像
cv2.imshow('original',img)  	        #显示原图像
plt.hist(img.ravel(),16)               #绘制直方图
plt.show()                              #显示直方图

三、用calcHist()函数查找直方图

#test6-2.py：查找和绘制直方图
""" 函数说明hist = cv2.calcHist(image,channels,mask,histSize,ranges)hist是返回的直方图，是一个一维数组，其大小为256，保存了原图像中各个灰度级数量image为原图，实际参数需要用方括号括起来channels为通道编号，灰度图像的通道编号为[0],BGR图像的通道编号为[0][1][2]"""
import cv2
import matplotlib.pyplot as plt
img=cv2.imread('gate.jpg')  		     			#读取图像
cv2.imshow('original',img)  	        				#显示原图像
histb=cv2.calcHist([img],[0],None,[256],[0,255])	#计算B通道直方图 返回值是一维数组
histg=cv2.calcHist([img],[1],None,[256],[0,255])	#计算G通道直方图
histr=cv2.calcHist([img],[2],None,[256],[0,255])	#计算R通道直方图
plt.plot(histb,color='b')               			#绘制B通道直方图，蓝色
plt.plot(histg,color='g')               			#绘制G通道直方图，绿色
plt.plot(histr,color='r')               			#绘制R通道直方图，红色
plt.show()                              				#显示直方图

3、应用掩模的直方图

#test6-3.py：掩模中的直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('gate.jpg')  		     #读取图像
cv2.imshow('original',img)  	        #显示原图像
w,h,d=img.shape
mask=np.zeros((w,h), np.uint8)#按原图大小创建一幅黑色图像
w1=np.int0(w*0.25)  #宽度等分成四份，此处等效于w/4
w2=np.int0(w*0.75)
h1=np.int0(h*0.25)
h2=np.int0(h*0.75)
mask[w1:w2,h1:h2]=255               #设置掩模白色区域
cv2.imshow('mask',mask)  	        #显示掩模图像
histb=cv2.calcHist([img],[0],mask,[256],[0,255])#计算B通道直方图 这里没有写None，表明只需要统计部分图像
histg=cv2.calcHist([img],[1],mask,[256],[0,255])#计算G通道直方图
histr=cv2.calcHist([img],[2],mask,[256],[0,255])#计算R通道直方图
plt.plot(histb,color='b')               #绘制B通道直方图，蓝色
plt.plot(histg,color='g')               #绘制G通道直方图，绿色
plt.plot(histr,color='r')               #绘制R通道直方图，红色
plt.show()                              #显示直方图

四、NumPy中的直方图

#test6-4.py：Numpy中的直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('gate.jpg')  		     #读取图像
cv2.imshow('original',img)  	        #显示原图像
histb,e1=np.histogram(img[0].ravel(),256,[0,256])#计算B通道直方图
histg,e2=np.histogram(img[1].ravel(),256,[0,256])#计算G通道直方图
histr,e3=np.histogram(img[2].ravel(),256,[0,256])#计算R通道直方图
plt.plot(histb,color='b')               			#绘制B通道直方图，蓝色
plt.plot(histg,color='g')               			#绘制G通道直方图，绿色
plt.plot(histr,color='r')               			#绘制R通道直方图，红色
plt.show()                                          #显示直方图

五、直方图均衡化

#test6-5.py：直方图均衡化
import cv2
import matplotlib.pyplot as plt
img=cv2.imread('bee.jpg',0) 	        #显示原图像 flags = 0， 8位深度，1通道
cv2.imshow('original',img)  	        #显示原图像
plt.figure('原图的直方图')
plt.hist(img.ravel(),256)               #绘制原直方图
img2=cv2.equalizeHist(img)
cv2.imshow('equalizeHist',img2)  	      #显示均衡化后的图像
plt.figure('均衡化后的直方图')
plt.hist(img2.ravel(),256)               #绘制均衡化后图像的直方图
plt.show()                              #显示直方图

六、限制对比度自适应直方图均衡化

#test6-6.py：限制对比度自适应直方图均衡
import cv2
import matplotlib.pyplot as plt
img=cv2.imread('clahe.jpg',0) 	            #打开图像，0表示单通道灰度图
cv2.imshow('original',img)  	            #显示原图像
img2=cv2.equalizeHist(img)
cv2.imshow('equalizeHist 直方图均衡化后的图像',img2)  	        #显示直方图均衡化后的图像
clahe=cv2.createCLAHE(clipLimit=5)          #创建CLAHE  clipLimit=5 对比度受限的阈值是5，默认值是40 #tileGridSize是直方图均衡化的网格大小，默认值是(8,8)
img3 = clahe.apply(img)                     #应用CLAHE
cv2.imshow('CLAHE 应用限制对比度自适应直方图均衡化后的图像',img3)  	                #显示应用LCAHE后的图像
cv2.waitKey(0)

七、二维直方图

#test6-7.py：OpenCV中的二维直方图
import cv2
img=cv2.imread('building.jpg') 	                #打开图像
cv2.imshow('original',img)  	            #显示原图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) 	#转换色彩空间为HSV
hist = cv2.calcHist([img2], [0, 1], None, [180, 256], [0, 180, 0, 256])       #计算颜色直方图
cv2.imshow('2Dhist',hist)  	                #显示颜色直方图
import matplotlib.pyplot as plt
plt.imshow(hist,interpolation = 'nearest')  #绘制颜色直方图
plt.show()                                  #显示颜色直方图
cv2.waitKey(0)

#test6-8.py：Numpy中的二维直方图
import cv2
import numpy as np
img=cv2.imread('building.jpg') 	                #打开图像
cv2.imshow('original',img)  	            #显示原图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) 	#转换色彩空间为HSV
h,s,v=cv2.split(img2)
hist,x,y=np.histogram2d(h.ravel(),s.ravel(),[180,256],[[0,180],[0,256]])#计算颜色直方图
cv2.imshow('2Dhist',hist)  	                #显示灰度颜色直方图
import matplotlib.pyplot as plt
plt.imshow(hist,interpolation = 'nearest')  #绘制颜色直方图
plt.show()                                  #显示颜色直方图
cv2.waitKey(0)

八、实验一 使用Numpy函数计算直方图

#test6-9.py：使用Numpy函数计算直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('home.jpg') 	                        #打开图像
plt.figure('程序运行结果')                                  #设置窗口标题
imgrgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)          #BGR转换为RGB
plt.subplot(2,2,1)                                  #添加子图窗口
plt.imshow(imgrgb)   	                            #显示原图像，默认为RGB
plt.title('original')                               #设置子图窗口标题
plt.axis('off')                                     #不显示坐标轴
histb,e1=np.histogram(img[0].ravel(),256,[0,256])   #计算B通道直方图
histg,e2=np.histogram(img[1].ravel(),256,[0,256])   #计算G通道直方图
histr,e3=np.histogram(img[2].ravel(),256,[0,256])   #计算R通道直方图
plt.subplot(2,2,2)
plt.plot(histb,color='b')               			#绘制B通道直方图，蓝色
plt.plot(histg,color='g')               			#绘制G通道直方图，绿色
plt.plot(histr,color='r')               			#绘制R通道直方图，红色
plt.title('hist')                                   #设置子图窗口标题
img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) 	        #转换色彩空间为HSV
h,s,v=cv2.split(img2)
hist,x,y=np.histogram2d(h.ravel(),s.ravel(),[180,256],[[0,180],[0,256]])        #计算颜色直方图
plt.subplot(2,1,2)
plt.title('2Dhist')                                 #设置子图窗口标题
plt.imshow(hist)                                    #绘制颜色直方图
plt.show()                                          #显示颜色直方图

九、实验2 使用OpenCV函数计算直方图

#test6-9.py：使用OpenCV函数计算直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('flower.jpg') 	                        #打开图像
plt.figure('程序运行结果')                                  #设置窗口标题
imgrgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)          #BGR转换为RGB
plt.subplot(2,2,1)                                  #添加子图窗口
plt.imshow(imgrgb)   	                            #显示原图像，默认为RGB
plt.title('original')                               #设置子图窗口标题
plt.axis('off')                                     #不显示坐标轴
histb=cv2.calcHist([img],[0],None,[256],[0,255])	#计算B通道直方图
histg=cv2.calcHist([img],[1],None,[256],[0,255])	#计算G通道直方图
histr=cv2.calcHist([img],[2],None,[256],[0,255])	#计算R通道直方图
plt.subplot(2,2,2)
plt.plot(histb,color='b')               			#绘制B通道直方图，蓝色
plt.plot(histg,color='g')               			#绘制G通道直方图，绿色
plt.plot(histr,color='r')               			#绘制R通道直方图，红色
plt.title('hist')                                   #设置子图窗口标题
img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) 	        #转换色彩空间为HSV
hist = cv2.calcHist([img2], [0, 1], None, [180, 256], [0, 180, 0, 256])               #计算颜色直方图
plt.subplot(2,1,2)
plt.title('2Dhist')                                 #设置子图窗口标题
plt.imshow(hist)                                    #绘制颜色直方图
plt.show()                                          #显示颜色直方图

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。