图像直方图
直方图：
是图像中像素强度分布的图形表达方式。
直方图的作用：
例如视频中，通过标记帧和帧之间显著的边缘和颜色的统计变化，来检测视频中场景的变换。
灰度值在0 - 255范围之间总共 256 个值，可以将我们的范围划分为子部分（称为bins）
Matplotlib 直接绘制灰度直方图
python
import cv2
import matplotlib.pyplot as plt
phone = cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp",cv2.IMREAD_GRAYSCALE)#将图像转换为一维数组
a = phone.ravel()
#这里使用了numpy的ravel函数，将多维数组拉成一维数组。
#绘制直方图
plt.hist(a,bins=256) #使用matplotlib 的hist函数绘制直方图。# 参数解释:
#-a:一维数组，即图像的像素值组成的数组。
#-bins=256:指定直方图的条数，即灰度级的数量。
plt.show()数组拉平：
ravel()函数作用是将多维数组转换为一维数组，例如一张大小为 400×500 的灰度图，经过ravel()处理后，会变成一个长度为 200000 的一维数组，数组中的每个元素对应图像的一个像素值，这是 Matplotlibhist函数的输入要求。
plt.hist()函数的两个核心参数分别是a（待统计的一维数组）和bins=256（指定直方图的区间数量，对应灰度图像的 256 个灰度级）。运行代码后，我们会得到一张从 0 到 255 的直方图，横坐标是像素的灰度值，纵坐标是对应灰度值在图像中出现的次数
运行结果：
使用calcHist函数绘制灰度直方图
python
import cv2
import matplotlib.pyplot as plt
phone_hist = cv2.calcHist( [phone], [0], None, [16], [0,256])
plt.plot(phone_hist)#使用calcHist的值绘制曲线图
plt.show()参数解析：
phone\]：输入图像，**必须以列表形式传入** \[0\]：通道索引，同样是要以列表的形式传入，灰度图像只有一个通道，索引为0。如果是彩色图像，我们会在后续分别传入`[0]`、`[1]`、`[2]`对应蓝、绿、红三个通道。 None：掩膜图像，此处为None，表示计算整个图像的直方图 \[16\]：直方图的区间数量（bins），此处将256个灰度级合并为16个区间 \[0, 256\]：像素值的取值范围，这是一个左闭右开区间。 运行结果：  ### 彩色图像直方图绘制 ```python import cv2 import matplotlib.pyplot as plt img=cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp") color=('b','g','r') #循环遍历每个通道，计算并绘制直方图 for i,col in enumerate(color): histr=cv2.calcHist( [img], [i], None, [256],[0,256]) plt.plot( histr,color=col) plt.show() ``` 彩色图像的通道顺序：默认返回的是 BGR 格式的图像 `enumerate()`函数会同时返回通道索引`i`和对应的颜色`col`，通道索引`i`传入`calcHist`函数的第二个参数，用于指定当前计算的通道； 运行结果：  ## 掩膜 在实际的项目中，我们往往不需要计算整个图像的直方图，而是只需要计算图像中某个特定区域的直方图，这时候就需要用到**掩膜（Mask）** 技术。 **掩膜本质上是一张与原始图像大小相同的灰度图像，其中白色区域（像素值 255）表示需要计算的区域，黑色区域（像素值 0）表示不需要计算的区域** ，通过`cv2.bitwise_and()`函数与原始图像进行按位与操作，即可提取出我们需要的区域，再计算该区域的直方图。 ### 制作掩膜并提取目标区域 ```python import cv2 import matplotlib.pyplot as plt #cv2.bitwise_and():对图像(灰度图像或彩色图像均可)每个像素值进行二进制"与"操作，1&1=1，1&0=0，01=0，0&0=0# # bitwise_and(src1, src2, dst=None, mask=None)参数: #src1、Src2:为输入图像或标量，标src1和src2相与。 #dst:可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同 #mask:图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为o的值，src1和Isrc2相与的值都为o. phone = cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp",cv2.IMREAD_GRAYSCALE) cv2.imshow('phone',phone) cv2.waitKey(0) #创建掩膜图像：初始化一张全黑图像（像素值0） mask = np.zeros(phone.shape[:2],np.uint8)#创建黑白图像，用于制作maskmask[50:350,100:470] = 255 cv2.imshow( 'mask',mask) cv2.waitKey(0) Phone_mask = cv2.bitwise_and(phone,phone,mask=mask) cv2.imshow( 'phone_mask', Phone_mask) cv2.waitKey(0) ``` 按位与操作： `cv2.bitwise_and()`函数接收三个核心参数，前两个参数是需要进行按位与操作的图像（此处均为原始灰度图像），第三个参数是掩膜图像。 按位与操作的逻辑是： 对于每个像素点，只有当掩膜图像的对应像素值为 255（二进制全 1）时，原始图像的像素值才会保留；当掩膜图像的对应像素值为 0（二进制全 0）时，结果图像的对应像素值也会变为 0，从而实现目标区域的提取。 运行结果：  ### 计算并绘制局部区域直方图 ```python phone_hist_mask = cv2.calcHist([phone], [0],mask, [256],[0,256]) plt.plot(phone_hist_mask)#使用calcHist的值绘制曲线图 plt.show() ``` 与计算整个图像的直方图相比，这段代码的唯一区别就是将`calcHist`函数的第三个参数从`None`改为了我们制作的掩膜图像`mask`，这样函数就只会计算掩膜中白色区域对应的像素值分布，从而得到局部区域的直方图。 运行结果：  通过掩膜技术，我们可以精准地分析图像中任意感兴趣区域（ROI）的像素分布特征，这在目标检测、图像分割、缺陷检测等实际项目中有着广泛的应用。例如，在人脸识别项目中，我们可以使用掩膜提取人脸区域，只计算人脸区域的直方图，从而避免背景区域的干扰，提高后续处理的精度。