内容来自OpenCV-Python Tutorials 自己翻译整理

目标：
使用opencv或numpy或Matplotlib函数绘制直方图
学习函数cv2.calcHist()，np.histogram()

原理：
通过直方图可以对图像灰度分布有一个整体了解，x轴上是灰度值（0到255）,y轴是图片中该灰度值的像素点的数目。
通过图像可以对图片对比度、亮度、灰度分布有一个直观的认识，如下图：

直方图左侧区域是暗一点的像素数目，右侧为亮一点的像素数目

统计直方图：

相关术语：
BINS: 在上面的直方图当中，如果像素值是0到255，则需要256个值来显示直方图。但是，如果不需要知道每个像素值的像素数目，值想知道两个像素值之间的像素点数目怎么办？例如，想知道像素值在0到15之间的像素点数目，然后是16到31。。。240到255。可以将256个值分成16份，每份计算综合。每个分成的小组就是一个BIN（箱）。在opencv中使用histSize表示BINS。
DIMS: 数据的参数数目。当前例子当中，对收集到的数据只考虑灰度值，所以该值为1。
RANGE: 灰度值范围，通常是[0,256]，也就是灰度所有的取值范围。

使用opencv统计直方图：
使用 cv2.calcHist函数完成
参数如下
cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

1. images参数，原图像（格式为uint8或float32）。图像传入时应当用[]括起来，[img]
2. channels参数，同样要用括号括起来，该参数决定统计图像什么样像素信息的直方图。如果是灰度图，那么[0]，彩色图像传入参数[0],[1][2]对应B、G、R。
3. mask参数，表示蒙板，如果要统计整个图像，那么参数值为None，否则传入蒙板即可。
4. histSize参数，BIN的数目，上面提过，用括号括上。
5. ranges参数，图像的像素范围，通常为[0,256]

以灰度格式加载一副图片，统计直方图

img = cv2.imread('home.jpg',0)
hist = cv2.calcHist([img],[0],None,[256],[0,256])

hist是一个256×1的数组，表示每个灰度值对应像素的个数

使用numpy统计直方图
使用np.histogram()函数

hist,bins = np.histogram(img.ravel(),256,[0,256])

与上面的函数一样，但是bins值是257，因为Numpy的计算方式是最后一个范围是255-255.99

在numpy当中还有函数np.bincount()，运行速度很快。所以以为直方图最好使用该函数，minlength=256。例如，hist=np.bincount(img.ravel() ，minlength=256)

然而，opencv函数比上面的函数要更块，所以尽量使用opencv函数

绘制直方图：
有两种方法绘制

1.简短方案，使用Matplotlib绘制
2.长远方案，使用opencv绘制

Matplotlib版本：
使用函数matplotlib.pyplot.hist()，该函数可以直接统计绘制中方图。统计函数为calcHist() 或 np.histogram()

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('10.jpg',0)
plt.hist(img.ravel(),256,[0,256]);
plt.show()

结果如下

绘制BGR直方图

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('12.jpg')
color = ('b','g','r')

for i,col in enumerate(color):
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,256])
plt.show()

蒙板（掩模）
将要统计的部分设置成白色，其他部分设置成黑色，就构成了蒙板。然后传递给原图像即可。