图像直方图，本质上就是对图像的所有像素点的取值进行统计，在不同的横轴子区间内各有的像素点的数量作为纵轴取值。
一、利用Matplotlib绘制图像直方图在Matplotlib模块中，有一个pyplot.hist函数，可以统计数组的取值在不同区间上的发生频率，也即计算直方图。
语法格式如下，参考官方API文档：
matplotlib.pyplot.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, *, data=None, **kwargs)
因为涉及到的参数很多，我们就挑重点讲。
- x是一维数组或者多个一维数组构成的序列；可以是二维数组，但不能是二维以上的数组。
- bins是横轴划分参数；如果bins是一个整数，代表横轴划分的份数，默认取10；如果bins是一个数值序列，序列中的各个数值表示横轴分隔点。
- range是横轴有效显示范围（计数范围），只显示这个范围之内的数据。
- density是概率密度直方图标志，默认为False，表示纵轴的取值是子区间内数值点的数量；如果设置为True，表示直方图和横轴围成的区域面积应该为1，因此需要对每个子区间的计数进行归一化。
- 函数返回结果是一维数组或者包括多个一维数组的序列（取决于x的类型），因为bins默认是10，所以默认每一个一维数组的长度就是10；一维数组的每一个元素取值代表在对应子区间内的次数。
下面分享一个案例。
import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread('images/lena.png')
plt.figure()
plt.subplot(1,2,1)
arr = plt.hist(img.ravel())
plt.subplot(1,2,2)
plt.imshow(img[:, :, ::-1])
plt.show()
print(img.ravel())
print(arr)
cv.waitKey()
cv.destroyAllWindows()
二、 利用OpenCV中的calcHist绘制
OpenCV中的calcHist函数只能用来计算图像直方图对应的数字信息，而无法像matplotlib.pyplot的hist函数一样直接在执行完后还能将直方图绘制出来。
OpenCV中的calcHist函数的语法格式如下。
cv.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])
- images应是位深度为8位无符号整型或32位浮点型的图像多维数组；书写形式上应该在图像多维数组变量两边加方括号，比如[img]。
- channels是通道索引号，索引用方括号包裹；对于灰度图，只能用[0]；对于BGR三通道图像多维数组，可以用[0]、[1]、[2]，表示分别计算蓝色、绿色、红色通道上的直方图。一次只能用一个通道进行计算，这一点与本文的第一部分不同，第一部分用的plt.hist函数允许对彩色图进行多通道的直方图并行计算，但是这样的计算方式也肯定会降低直方图特征精度。
- mask是遮罩控制参数，如果传入None，则不进行遮罩控制，直接对全图进行计算；而如果需要对图像的特定子区域进行计算，那么可以在运行函数前构建一个遮罩层。
- histSize代表了bin的数目，也需要用方括号包裹；比如对于uint8图像，histSize=[255]时就对全部像素值进行单独计数。
- ranges是计数范围，只有在计数范围内的像素值才会被计入；一般来说是[0, 255]。
- hist是一个histSize*1的数组，每一个元素代表对应的bin范围内的像素数目（明显是整数）。
计算得到hist后，如果想要绘制折线型直方图，可以用plt.plot(hist)——并未涉及颜色和线型等格式的设置，只是想在这里简略提到，给读者一个思路。
三、利用numpy中的histogram函数绘制numpy中的histogram函数与OpenCV中的calcHist函数一样，都不能直接绘直方图，都只能得到各bin内的像素计数。
但是！！！OpenCV中的calcHist函数以及matplotlib的hist函数的bins划分方式都是左闭右开，只有最右边的一个区间才是全闭，比如[0, 1)，[1, 0)，...，[244, 255]；而numpy中的histogram函数是xxx（下图由官网截得——OpenCV: Histograms - 1 : Find, Plot, Analyze !!!）
刚开始我以为numpy的这个函数确实如官网所述，但是后来我发现完全不用将bins=256，将range=[0, 256] 。详见下面的代码，虽然最后的点是10，在第10个bin中还是包括了像素点10，说明最后一个bin的区间范围是[9, 10]，而不是[9, 9.99]。
import numpy as np print(np.histogram([[1, 2, 5, 10], [1, 0, 3, 10]], bins=10, range=[0, 10])) # (array([1, 2, 1, 1, 0, 1, 0, 0, 0, 2], dtype=int64), array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]))
说明！！！numpy的histogram函数的bins分配机制和其他两者相同。
下面是numpy的histogram函数的语法格式，源于numpy.histogram — NumPy v1.23 Manual
numpy.histogram(a, bins=10, range=None, normed=None, weights=None, density=None)
- a是n维数组，注意这里不跟matplotlib.pyplot.hist函数和cv.calcHist函数一样，它对数组的维数没有限制；因为在计算直方图特性前，会对a直接进行铺平。
- bins是直方图x轴子区间划定参数；跟matplotlib.pyplot.hist函数的几乎一样。
- range是计数范围，只有在计数范围内的像素值才会被计入；一般来说是[0, 255]。
- normed参数已经在numpy 1.6.0被遗弃，不再建议使用。
- weights是一个与a形状相同的n维数组；a中的每个值仅将其关联权重贡献给bin计数（而不是1；意思是说如果对应的权重是2，那么这个像素点所处的bin计数加的是2而不是1）。如果density为True，则对权重进行归一化，以便密度在该范围内的求和保持为1。
- density参数跟matplotlib.pyplot.hist函数的意义一样。
