前言
本章主要学习图像直方图的相关知识与实操应用，涵盖直方图基础概念、图像直方图绘制、掩码局部灰度统计以及直方图均衡化图像增强技术，结合代码实战完成图像灰度分析与图像增强任务。
一、核心 API 介绍
1.1 图像直方图基础概念
结合示意图可直观理解：图像直方图是针对图像灰度信息的二维分布统计图，专门用于量化图像明暗结构，完全对应图片对应关系：
横轴（X轴）：灰度级别，取值固定为 0~255。其中 0 代表纯黑色、255 代表纯白色，中间数值对应不同亮度的灰色，完整覆盖图像所有明暗等级。
纵轴（Y轴）：像素数量，代表当前横坐标对应灰度级别的像素点总个数，用于体现该亮度在整张图像中的占比多少。
从示意图可以明显看出：直方图不记录图像空间信息，不关注物体位置、轮廓、纹理、形状，只统计「不同亮度像素有多少个」的全局数值分布。无论图像中物体如何平移、变换位置，只要灰度像素数量比例不变，直方图曲线就不会改变。
1.2 使用直方图的意义与作用
人眼观察图像只能获得主观视觉感受，无法精准判断图像的明暗分布、对比度强弱，而直方图可以将图像视觉特征数据化、量化，为图像处理提供客观依据。主要作用如下：
-
辅助图像分析：通过直方图分布形态，可快速判断图像偏暗、偏亮、对比度过高或过低等问题；
-
实现图像增强：基于直方图均衡化算法，重新分布灰度像素，优化图像对比度；
-
支持局部统计：结合掩码 Mask，可单独统计图像感兴趣区域（ROI）的灰度分布，实现局部图像分析。
1.3 直方图核心特点
直方图具备位置无关性，只要两张图像的灰度像素数量、分布比例一致，无论图像内容、物体位置如何变化，最终生成的直方图完全一致。
1. cv2.calcHist () 计算图像直方图
|--------------------------------------------|
| 作用：统计图像像素灰度级分布，得到直方图数据，可使用 matplotlib 绘制曲线 |
python
cv2.calcHist(images, channels, mask, histSize, ranges)参数说明：
- images：原图像，格式为 uint8，传入需要用\[\]包裹，例如img
- channels：要统计的通道索引，灰度图填0；彩色图 BGR 分别对应0、1、2
- mask：掩码图像。统计整张图像直方图填None；如果只想统计图像部分区域，传入 mask 掩码。mask 等于 0 的区域不参与统计，非 0 区域参与统计。
- histSize：BIN 的数量，也就是灰度分组数目，需要\[\]包裹；统计 0‑255 全部灰度，填256。
- ranges：像素取值范围，灰度图像固定0,256。
2. np.ravel()
|----------------------------------------------|
| numpy 函数，把多维的图像数组拉伸为一维数组，配合plt.hist()直接画直方图。 |
3. cv2.bitwise_and () 按位与运算
python
cv2.bitwise_and(src1, src2, dst=None, mask=None)- src1、src2：参与运算输入图像
- mask：掩码，掩码为 0 的位置输出全部置 0；非 0 位置正常输出运算结果。
4. cv2.equalizeHist () 直方图均衡化
|----------------------------------------------------|
| 图像增强技术，重新分布图像灰度像素，提升图像对比度、亮度，改善图像视觉效果。 只接收灰度图作为输入。 |
二、绘制灰度图直方图
为直观掌握图像直方图的绘制方法，本节以手机灰度图像为测试样本，分别通过两种方式绘制图像直方图，实现图像灰度分布的可视化统计。
2.1 方式 1：plt.hist + ravel ()
python
import cv2
import matplotlib.pyplot as plt
#读取灰度图片
phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
#ravel：多维数组转为一维
a = phone.ravel()
#绘制直方图
plt.hist(a,bins=256)
plt.show()2.2 方式 2：cv2.calcHist 获取直方图数据再绘图
python
import cv2
import matplotlib.pyplot as plt
phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
#计算直方图数据
phone_hist = cv2.calcHist(images=[phone],channels=[0],mask=None,histSize=[256],ranges=[0,256])
plt.plot(phone_hist)
plt.show()2.3 彩色图像多通道直方图绘制
分别统计 B、G、R 三个通道的直方图并绘制曲线
python
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('phone.png')
color = ('b','g','r')
for i,col in enumerate(color):
histr = cv2.calcHist(images=[img],channels=[i],mask=None,histSize=[256],ranges=[0,256])
plt.plot(histr,color=col)
plt.show()
三、mask 掩码，局部图像直方图统计
python
import cv2
import matplotlib.pyplot as plt
import numpy as np
phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('phone',phone)
cv2.waitKey(0)
#创建掩码：全黑图像，指定矩形区域置为白色255
mask = np.zeros(phone.shape[:2],np.uint8)
mask[50:350,100:470] = 255
cv2.imshow('mask',mask)
cv2.waitKey(0)
#bitwise_and 掩码提取ROI区域
phone_mask = cv2.bitwise_and(phone,phone,mask=mask)
cv2.imshow('phone_mask',phone_mask)
cv2.waitKey(0)
#只统计mask白色区域的直方图
phone_hist_mask = cv2.calcHist(images=[phone],channels=[0],mask=mask,histSize=[256],ranges=[0,256])
plt.plot(phone_hist_mask)
plt.show()mask 掩码：只对图像指定区域做计算，掩码黑色 (0) 区域忽略，白色 (255) 区域参与运算。
掩码：
通过在全黑背景图像中手动将指定矩形区域设置为白色，可以创建一个简易的掩码。此外，也可以基于我们想要分析的目标物体的外接矩形来创建掩码。
得到掩码之后，我们通过 bitwise_and() 对灰度图与掩码图进行位与运算，当两个图像对应位置像素值均为真（非零）时，结果才为真。
效果图：
四、直方图均衡化 cv2.equalizeHist
观察这张女孩图像的直方图可以看出，像素分布并不均衡，灰度值在50之后几乎没有像素分布。现在我们对图像进行直方图均衡化操作，使像素分布变得更加均衡。
python
import cv2
import matplotlib.pyplot as plt
import numpy as np
#读取灰度图
black = cv2.imread('black.jpg',cv2.IMREAD_GRAYSCALE)
#均衡化处理
black_equalize = cv2.equalizeHist(black)
#绘制均衡化前直方图
plt.hist(black.ravel(),bins=256)
plt.show()
#绘制均衡化后直方图
plt.hist(black_equalize.ravel(),bins=256)
plt.show()
#横向拼接原图与均衡化结果，对比效果
res = np.hstack((black,black_equalize))
cv2.imshow('black_equalize',res)
cv2.waitKey(0)经过 cv2.equalizeHist 对像素进行重新分布后，观察直方图可以发现像素分布变得更加均衡。通过对比均衡化前后的女孩图像，可以看出均衡化后的图像特征更加鲜明清晰，对比度显著提高。
五、本章小结
- cv2.calcHist()用于统计图像灰度分布；mask掩码可以限定只统计图像局部区域。
- np.ravel()将多维图像数组拉伸一维，直接给plt.hist绘图使用。
- 掩码配合cv2.bitwise_and()可以提取图像的感兴趣 ROI 区域。
- 直方图均衡化 cv2.equalizeHist()：输入必须是灰度图，重新分配灰度分布，提升图像对比度，完成图像增强。
- 适用场景：图像整体偏暗、偏亮，使用均衡化改善图像显示效果。