图像直方图（英语：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数。可以借助观察该直方图了解需要如何调整亮度分布。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图片的图像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。
图像2D直方图：我们已经计算并绘制了一维直方图，因为我们只考虑一个特征，即像素的灰度强度值.但在二维直方图中，需要考虑两个特征，通常，它用于查找颜色直方图，其中两个要素是每个像素的色调和饱和度值。
解释：颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。
直方图应用： 直方图均衡化：提升对比度的两种方法：默认、自定义
直方图均衡化：直方图均衡化是一种简单有效的图像增强技术，通过改变图像的直方图来改变图像中各像素的灰度，主要用于增强动态范围偏小的图像的对比度。
直方图反向投影：它可以用来做图像分割，或者在图像中找寻我们感兴趣的部分。简单来说，它会输出与输入图像（待搜索）同样大小的图像，其中的每一个像素值代表了输入图像上对应点属于目标对象的概率。用更简单的话来解释，输出图像中像素值越高（越白）的点就越可能代表我们要搜索的目标（在输入图像所在的位置）。这是一个直观的解释。
函数：calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]])
images: 原图像（图像格式为uint8 或float32）。当传入函数时应该用中括号[] 括起来，例如：[img]。
channels: 同样需要用中括号括起来，它会告诉函数我们要统计那幅图像的直方图。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]如果要绘制颜色直方图的话，我们首先需要将图像的颜色空间从BGR 转换到HSV。（记住，计算一维直方图，要从BGR 转换到HSV）。计算2D 直方图，函数的参数要做如下修改：
• channels=[0，1] 因为我们需要同时处理H 和S 两个通道。
• bins=[180，256]H 通道为180，S 通道为256。
• range=[0，180，0，256]H 的取值范围在0 到180，S 的取值范围在0 到256。
Numpy 同样提供了绘制2D 直方图的函数：np.histogram2d()：
下面展示 代码
import cv2 as cv
from matplotlib import pyplot as plt
# 画出图像的直方图
def hist_image(image):
color = ("blue", "green", "red")
for i, color in enumerate(color):
hist = cv.calcHist([image], [i], None, [256], [0, 256])
# 绘制图像直方图
plt.plot(hist, color=color)
# 设置x轴的数值显示范围
plt.xlim([0, 256])
# 展示直方图
plt.show()
# 提升对比度（默认提升），只能是灰度图像
def equalHist_image(image):
# 转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
cv.imshow("original", gray) # 因为只能处理灰度图像，所以输出原图的灰度图像用于对比
# 直方图均衡化
dst = cv.equalizeHist(gray)
# 默认处理
cv.imshow("default_processing", dst)
# 对比度限制（自定义提示参数）
def clahe_image(image):
# 转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# 自适应直方图均衡化
clahe = cv.createCLAHE(clipLimit=4.0, tileGridSize=(4, 4)) # clipLimit是对比度的大小，tileGridSize是每次处理块的大小
dst = clahe.apply(gray)
# 自定义处理
cv.imshow("custom_processing", dst)
#直方图反向投影
def back_projection_demo():
# 样图
sample = cv.imread("data/green.jpg")
# 目标图
target = cv.imread("data/messi5.jpg")
roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV)#转到hsv色彩空间
target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV)
# 显示图片
cv.imshow("sample", sample)
cv.imshow("target", target)
# 用calcHist来找直方图（也可以用np.histogram2d） ，[0, 1], 计算H,D两个通道，[32, 32]：bins，可以通过调整它改变结果
roiHist = cv.calcHist([roi_hsv], [0, 1], None, [32, 32], [0, 180, 0, 256])#[0, 180, 0, 256]：h s的取值范围
# 归一化之后的直方图便于显示，归一化之后就成了 0 到 255 之间的数了。
cv.normalize(roiHist, roiHist, 0, 255, cv.NORM_MINMAX)
dst = cv.calcBackProject([target_hsv], [0, 1], roiHist, [0, 180, 0, 256], 1)
cv.imshow("backProjectionDemo", dst)
#2d直方图
def hist2d_demo(image):
# 转到hsv色彩空间
hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)
# 这里[0,1]是绘制了H,S通道的直方图
hist = cv.calcHist([hsv], [0, 1], None, [32, 32], [0, 180, 0, 256])
#cv.imshow("hist2d", hist)
plt.imshow(hist, interpolation='nearest')
plt.title("2D Histogram")
plt.show()
if __name__ == '__main__':
'''
hist_image()函数
'''
# src = cv.imread("pic/cat.jpg")
# cv.namedWindow("original", cv.WINDOW_NORMAL)
# cv.imshow("original", src)
# hist_image(src)
# cv.waitKey(0)
# cv.destroyAllWindows()
'''
equalHist_image()函数
'''
# src = cv.imread("pic/cat.jpg")
# cv.namedWindow("original", cv.WINDOW_NORMAL)
# cv.imshow("original", src)
# equalHist_image(src)
# cv.waitKey(0)
# cv.destroyAllWindows()
'''
clahe_image()函数
'''
# src = cv.imread("pic/cat.jpg")
# cv.namedWindow("original", cv.WINDOW_NORMAL)
# cv.imshow("original", src)
# clahe_image(src)
# cv.waitKey(0)
# cv.destroyAllWindows()
'''
hist2d_demo()函数
'''
# src = cv.imread("pic/cat.jpg")
# cv.namedWindow("original", cv.WINDOW_NORMAL)
# cv.imshow("original", src)
# hist2d_demo(src)
# cv.waitKey(0)
# cv.destroyAllWindows()
'''
back_projection_demo()函数
'''
back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows()
