紧接昨天的分享，这是第二部分的教程，我们采用一个示例的方式来介绍 OpenCV 的一些基础函数。
图像直方图
直方图是可以显示数据在一定范围内分布的一种代表性的方式。
对于图像，直方图表示像素点的颜色分布情况，给出了图像中某些颜色出现频率的概率概念。例如，直方图可以用于自动图像分割、运动检测和粒度分析。
在使用 openCV 中，我们有一个 bult-in 函数来为我们完成这项工作：
cv2.calcHist([image], channels, mask, histSize, ranges[, hist[, accumulate]])
- image：输入uint8或 float32类型的图片，数据放在方括号[]中；
- channels：也在方括号[]中给出，它是我们计算直方图的通道索引。例如，如果输入的图像是灰度图像，它的值是[0]。对于彩色图像，可以通过[0]、[1]或[2]分别计算蓝色、绿色和红色通道的直方图；
- mask：如果要找到完整图像的直方图，我们可以传递“None” ，但是如果你想计算一个特定区域的直方图，它需要一个 Mask 图像来表示这个区域；
- HistSize：表示绘制的数据的bin的数目。也应该在方括号中给出，对于全部数据，我们传递 [256]；
- ranges: 像素值范围，通常为[0,256]。
在本教程中，我们将要均衡图片的(灰度)直方图，即重新分布图像的像素强度。总之，它提高了图像的对比度。
在 OpenCV 中，我们还有一个函数用于对图像进行均衡，称为 equalizeHist，它只将图像作为参数进行均衡。现在，通过调用图像上的两个函数，我们可以计算原始图像的直方图，然后计算均衡图像的直方图。
import cv2
nbins = 256
image = cv2.imread("lenna.png", 0)
cv2.imshow("Normal", image)
hist = cv2.calcHist([image], [0], None, [256], [0,256])
cv2.waitKey(0)
image = cv2.equalizeHist(image)
cv2.imshow("Equalized", image)
hist2 = cv2.calcHist([image], [0], None, [nbins], [0,256])
cv2.waitKey(0)
原图像
均衡化处理后的图像
我们可能想看看这两个图片的直方图是什么样子的。函数 calcHist ()执行的直方图计算不返回图像，而是返回绘图表数据。为了绘制直方图，我们使用 matplotlib 库。
from matplotlib import pyplot as plt
plt.plot(hist, 'b')
plt.plot(hist2, 'r')
plt.xlim([0,nbins])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
示例：依据直方图的运动检测器
现在假设我们有一个连续的场景捕获，并且我们继续计算帧的直方图。如果直方图改变了，那就意味着有新的东西出现了，如果新的直方图有很大的不同，我们可以做出假设或者设置警报。
为了解决这个问题，我们将引入摄像头功能来连续捕捉图像。类似地，所有到目前为止使用的函数，OpenCV 有一个 VideoCapture，然后我们通过此创建对象用于读取相机的帧，通常用于测试摄像头。
为了保持从相机捕捉帧，我们要循环相机读取，因此计算其直方图。为了让这个问题更容易解决，我们使用了灰度图像，使用 OpenCV 中的函数 cvtColor 将图像从相机中转换出来。
import cv2
camera = cv2.VideoCapture(0) # parameter 0 for webcam, 1 for second camera etc
maxDist = 2000
while True:
#camera.read() returns a bool. If frame is read correctly, it will be True.
#Capture frame-by-frame
return_value, image = camera.read()
if return_value:
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("image", gray_image)
H1 = cv2.calcHist( gray_image, [0], None, [256], [0,256])
H2 = cv2.calcHist(gray_image, [0], None, [256], [0,256])我们此处使用卡方距离比较直方图，它可以用来衡量两个直方图之间的不同。你不需要完全理解这个概念，我们只需要在一个确定的场景中观察其数值的变化，对于这个度量结果，其值越小，两个直方图的匹配越好。
在下面的示例中，我们采用的直方图差值为2000，对于该示例，2000 的数值可能并不是一个剧烈的变化，但是存在明显变化。
因此，如果我们计算得到的差异值超过2000，就可以做出一些其他操作。此处为了得到一个明显的改变，我们实现了一个全白边框的改变。以下示例仅供参考：
comp = cv2.compareHist(H1, H2, cv2.HISTCMP_CHISQR)
height, width = gray_image.shape
while comp >= maxDist:
for x in range(height):
gray_image[x,0] = 255
gray_image[x, width-1] = 255
for y in range(width):
gray_image[0,y] = 255
gray_image[height-1, y] = 255
cv2.imshow("image", gray_image)
H1 = cv2.calcHist( gray_image, [0], None, [256], [0,256])
H2 = cv2.calcHist(gray_image, [0], None, [256], [0,256])
comp = cv2.compareHist(H1, H2, cv2.HISTCMP_CHISQR)
print(comp)
cv2.waitKey(0)
camera.release()
cv2.destroyAllWindows()
else:
camera.release()
break最后，我们对相机对象进行释放，使相机可以正确关闭，不会导致程序崩溃。
· END ·
