【68】颜色直方图详解与Python实现

简介

本文围绕颜色直方图这一计算机视觉领域的基础颜色特征展开，从原理讲起，详细介绍其在OpenCV-Python中的实现方法，覆盖RGB与HSV两种颜色空间的直方图计算与可视化，并对比分析两种空间的特点------帮助读者理解颜色直方图的应用场景、局限性及不同颜色空间的选择逻辑。

一、直方图与颜色直方图基础

直方图是计算机视觉中基于统计特性的特征描述子，核心是对图像底层特征（如亮度、颜色）的分布进行量化。它的优势在于：

1. 提取简单：仅需统计特征值的出现频率；
2. 鲁棒性强：对旋转、平移等几何变换有一定不变性；
3. 多模态表达：能捕捉特征的分布规律（如颜色的多样性）。

常见的直方图类型包括亮度直方图、HOG（方向梯度直方图）、局部二值模式（LBP）直方图等，其中颜色直方图是目标跟踪、图像检索的常用工具------它通过统计图像中每种颜色的像素数量，直接反映颜色组成的分布。

但传统颜色直方图也有明显缺陷：

• 对光照变化敏感（如强光会改变颜色的亮度分布）；
• 完全忽略像素位置信息（无法区分"颜色分布均匀的图像"与"颜色块拼接的图像"）。

二、颜色特征与颜色直方图的关系

颜色特征是全局特征（描述整个图像或区域的表面性质），基于所有像素的贡献，具有以下特点：

• 对旋转、平移、尺度变化不敏感（颜色不会因图像缩放而改变）；
• 无法捕捉局部特征（如物体的边缘、纹理）；
• 检索时易出现"误匹配"（如红色花朵与红色汽车的颜色直方图可能相似）。

颜色直方图是颜色特征的最常用表达形式，其定义可概括为：

图像的颜色直方图表示颜色组成的分布，展示图像中出现的颜色类型及每种颜色的像素数量。

从结构上看，颜色直方图可拆分为三个单通道直方图（对应RGB颜色空间的红、绿、蓝通道），每个通道的直方图反映该颜色分量的亮度分布。

三、OpenCV-Python中的直方图计算：cv2.calcHist

OpenCV提供cv2.calcHist函数用于计算直方图，Python版本的参数与C++逻辑一致，但语法更简洁。以下是核心参数的说明：

参数	含义
`images`	输入图像列表（需为同一深度和大小，通常为`uint8`或`float32`类型）
`channels`	需计算的通道索引列表（如`[0]`表示第一个通道，`[0,1,2]`表示三通道）
`mask`	掩模（可选，非零区域的像素才会被统计，用于局部直方图计算）
`histSize`	每个通道的`bin`数列表（如`[256]`表示单通道分为256个区间）
`ranges`	每个通道的取值范围列表（如`[0,255]`表示像素值从0到255）
`accumulate`	是否累加直方图（默认`False`，若为`True`则保留之前的计算结果）

函数返回值是一个ndarray，维度等于通道数（如单通道直方图是1D数组，三通道是3D数组）。

四、HSV空间的颜色直方图实现

HSV颜色空间（色调H、饱和度S、明度V）更符合人类对颜色的感知，常用于颜色对比或目标跟踪。以下是Python实现步骤：

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

class HSVHistogramCalculator:
    def __init__(self, h_bins=30, s_bins=32, v_bins=32):
        """
        初始化HSV直方图参数
        :param h_bins: 色调通道的bin数（0-180）
        :param s_bins: 饱和度通道的bin数（0-256）
        :param v_bins: 明度通道的bin数（0-256）
        """
        self.hist_size = [h_bins, s_bins, v_bins]  # 三通道的bin数
        self.ranges = [0, 180, 0, 256, 0, 256]  # H(0-180), S(0-256), V(0-256)
        self.channels = [0, 1, 2]  # H、S、V通道的索引

    def compute_histogram(self, hsv_image):
        """
        计算HSV图像的直方图
        :param hsv_image: HSV格式的输入图像
        :return: 3D直方图数组
        """
        hist = cv2.calcHist(
            images=[hsv_image],
            channels=self.channels,
            mask=None,
            histSize=self.hist_size,
            ranges=self.ranges
        )
        return hist

    def plot_histogram(self, hsv_image):
        """
        可视化HSV三通道的直方图
        :param hsv_image: HSV格式的输入图像
        """
        hist = self.compute_histogram(hsv_image)
        h_bins, s_bins, v_bins = self.hist_size

        # 分离三通道的直方图（求和压缩维度）
        h_hist = hist.sum(axis=(1, 2))  # H通道：压缩S和V维度
        s_hist = hist.sum(axis=(0, 2))  # S通道：压缩H和V维度
        v_hist = hist.sum(axis=(0, 1))  # V通道：压缩H和S维度

        # 转换为1D numpy数组并展平
        h_hist = h_hist.flatten()
        s_hist = s_hist.flatten()
        v_hist = v_hist.flatten()

        # 归一化（将值缩至0-1，方便可视化）
        h_hist = cv2.normalize(h_hist, None, 0, 1, cv2.NORM_MINMAX).flatten()
        s_hist = cv2.normalize(s_hist, None, 0, 1, cv2.NORM_MINMAX).flatten()
        v_hist = cv2.normalize(v_hist, None, 0, 1, cv2.NORM_MINMAX).flatten()

        # 绘制直方图
        fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))

        # 确保使用正确的参数
        ax1.bar(range(h_bins), h_hist, color='#FF5733', edgecolor='none')
        ax1.set_title('Hue Histogram')
        ax1.set_xlabel('Bin')
        ax1.set_ylabel('Normalized Count')

        ax2.bar(range(s_bins), s_hist, color='#33FF57', edgecolor='none')
        ax2.set_title('Saturation Histogram')
        ax2.set_xlabel('Bin')

        ax3.bar(range(v_bins), v_hist, color='#3357FF', edgecolor='none')
        ax3.set_title('Value Histogram')
        ax3.set_xlabel('Bin')

        plt.tight_layout()
        plt.show()


# 读取图像（OpenCV默认BGR格式）
img = cv2.imread('image/Lenna.jpg')

# 转换为HSV颜色空间
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 计算并可视化HSV直方图
hsv_calculator = HSVHistogramCalculator()
hsv_calculator.plot_histogram(hsv_img)

# 显示原图与HSV图
cv2.imshow('Original Image', img)
cv2.imshow('HSV Image', hsv_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行代码后，会弹出三个子图，分别展示H（色调）、S（饱和度）、V（明度）通道的直方图：

四、RGB空间的颜色直方图实现

RGB是最直观的颜色空间，直接对应显示器的三原色。以下是RGB直方图的Python实现：

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

class RGBHistogramCalculator:
    def __init__(self, bin_size=256):
        """
        初始化RGB直方图参数
        :param bin_size: 每个通道的bin数（默认256，即每个像素值对应一个bin）
        """
        self.bin_size = bin_size
        self.ranges = [0, 255]  # RGB通道的取值范围
        self.channels = [0, 1, 2]  # B、G、R通道（OpenCV默认BGR）

    def compute_histogram(self, rgb_image):
        """
        计算RGB图像的直方图（分离三通道）
        :param rgb_image: RGB格式的输入图像
        :return: B、G、R通道的直方图
        """
        # 分离B、G、R通道
        b_channel, g_channel, r_channel = cv2.split(rgb_image)

        # 计算每个通道的直方图
        hist_b = cv2.calcHist([b_channel], [0], None, [self.bin_size], self.ranges)
        hist_g = cv2.calcHist([g_channel], [0], None, [self.bin_size], self.ranges)
        hist_r = cv2.calcHist([r_channel], [0], None, [self.bin_size], self.ranges)

        return hist_b, hist_g, hist_r

    def plot_histogram(self, rgb_image):
        """
        可视化RGB三通道的直方图
        :param rgb_image: RGB格式的输入图像
        """
        hist_b, hist_g, hist_r = self.compute_histogram(rgb_image)

        # 归一化
        hist_b = cv2.normalize(hist_b, None, 0, 1, cv2.NORM_MINMAX)
        hist_g = cv2.normalize(hist_g, None, 0, 1, cv2.NORM_MINMAX)
        hist_r = cv2.normalize(hist_r, None, 0, 1, cv2.NORM_MINMAX)

        # 绘制直方图
        fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))
        ax1.bar(range(self.bin_size), hist_b.flatten(), color='b')
        ax1.set_title('Blue Channel Histogram')
        ax1.set_xlabel('Pixel Value')
        ax1.set_ylabel('Normalized Count')

        ax2.bar(range(self.bin_size), hist_g.flatten(), color='g')
        ax2.set_title('Green Channel Histogram')
        ax2.set_xlabel('Pixel Value')

        ax3.bar(range(self.bin_size), hist_r.flatten(), color='r')
        ax3.set_title('Red Channel Histogram')
        ax3.set_xlabel('Pixel Value')

        plt.tight_layout()
        plt.show()

# 读取图像（转换为RGB格式）
img = cv2.imread('image/Lenna.jpg')
rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 计算并可视化RGB直方图
rgb_calculator = RGBHistogramCalculator()
rgb_calculator.plot_histogram(rgb_img)

# 显示原图
cv2.imshow('Original Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后会弹出三个子图，分别展示R、G、B通道的直方图：

五、RGB与HSV空间的对比分析

1. 模型区别

• RGB空间 ：三维坐标模型，原点到白色顶点的中轴线是灰度线 （R=G=BR=G=BR=G=B），每个像素的颜色由三通道值的组合决定（如(255,0,0)(255,0,0)(255,0,0)为纯红）。
• HSV空间 ：基于人类感知的模型，用三个维度描述颜色：
  • HHH（色调）：表示颜色类型（0-180，对应红、橙、黄、绿等）；
  • SSS（饱和度）：表示颜色的鲜艳程度（0-255，0为灰度，255为纯彩色）；
  • VVV（明度）：表示颜色的明亮程度（0-255，0为黑色，255为最亮）。

2. 优缺点对比

维度	RGB空间	HSV空间
**优点**	直观，直接对应显示器的三原色；计算简单。	更符合人类感知，方便颜色对比（如"找红色物体"只需筛选H通道）；对光照变化更鲁棒。
**缺点**	均匀性差（色差无法用空间距离表示）；对光照敏感。	需要转换（无法直接显示）；转换过程消耗计算资源。

总结

颜色直方图是计算机视觉的基础工具，OpenCV-Python的cv2.calcHist函数简化了计算流程。通过本文的代码示例，你可以快速实现RGB与HSV空间的直方图计算与可视化------在实际应用中，HSV空间更适合颜色相关的任务（如目标跟踪、颜色分割），而RGB空间更适合基础图像处理（如显示、格式转换）。

获取更多资料

欢迎下载学习资料，包含：机器学习，深度学习，大模型，CV方向，NLP方向，kaggle大赛，实战项目、自动驾驶等。

搜 "机器视觉与数据" 免费获取 。