在 Python 中使用 OpenCV 库计算图像直方图，可以通过 `cv2.calcHist()` 函数实现。该函数允许用户指定图像、通道、掩膜、直方图大小以及像素值的范围等参数[^1]。 ### 基本语法 ```python cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) ``` - `images`: 输入图像，应为 `[np.ndarray]` 类型的列表。 - `channels`: 需要计算直方图的通道索引，例如 `[0]` 表示计算第一个通道。 - `mask`: 可选参数，用于指定图像中感兴趣区域。 - `histSize`: 直方图的 bin 数量，例如 `[256]` 表示每个通道分成 256 个 bin。 - `ranges`: 像素值的范围，例如 `[0, 256]` 表示所有像素值都在 0 到 255 之间。 - `hist`: 输出直方图。 - `accumulate`: 累加标志，如果为 `True`，则直方图不会被清零。 ### 示例代码 以下是一个使用 `cv2.calcHist()` 计算灰度图像直方图的示例： ```python import cv2 import numpy as np from matplotlib import pyplot as plt # 读取图像 image = cv2.imread('example.jpg', 0) # 以灰度模式读取图像 # 计算直方图 hist = cv2.calcHist([image], [0], None, [256], [0, 256]) # 绘制直方图 plt.figure() plt.title("Grayscale Histogram") plt.xlabel("Pixel Value") plt.ylabel("Frequency") plt.plot(hist) plt.xlim([0, 256]) plt.show() ``` ### 多通道图像直方图 对于彩色图像，可以分别计算每个通道的直方图。例如，对于 BGR 图像，可以分别计算蓝色、绿色和红色通道的直方图： ```python # 读取彩色图像 image = cv2.imread('example.jpg') # 分离通道 colors = ('b', 'g', 'r') for i, color in enumerate(colors): # 计算每个通道的直方图 hist = cv2.calcHist([image], [i], None, [256], [0, 256]) plt.plot(hist, color=color) plt.title("Color Histogram") plt.xlabel("Pixel Value") plt.ylabel("Frequency") plt.xlim([0, 256]) plt.show() ``` ### 使用掩膜计算直方图 如果只想计算图像中某个特定区域的直方图，可以使用掩膜。首先创建一个与图像大小相同的掩膜，并将感兴趣区域设置为 255（白色），其余区域为 0（黑色）： ```python # 创建掩膜 mask = np.zeros(image.shape[:2], np.uint8) mask[100:300, 100:300] = 255 # 假设感兴趣区域为 (100,100) 到 (300,300) # 应用掩膜 masked_img = cv2.bitwise_and(image, image, mask=mask) # 计算带掩膜的直方图 hist_mask = cv2.calcHist([image], [0], mask, [256], [0, 256]) # 绘制带掩膜的直方图 plt.figure() plt.title("Histogram with Mask") plt.xlabel("Pixel Value") plt.ylabel("Frequency") plt.plot(hist_mask) plt.xlim([0, 256]) plt.show() ``` ### 总结 `cv2.calcHist()` 是一个非常强大的工具，能够帮助开发者分析图像的像素分布情况。通过选择不同的参数，可以灵活地计算单通道或多个通道的直方图，并结合掩膜来聚焦特定区域。这在图像处理和计算机视觉任务中非常有用，例如图像增强、分割以及特征提取等。