一. 直方图
方法1
cv.calcHist(images, channels, mask, histSize, ranges=None, accumulate=False)
参数:
images: 输入图像，可以是单个图像或图像的列表
channels:
计算直方图的通道
对于灰度图像，该值为0
对于RGB彩色图像，可以传递一个包含三个元素的数组 [0, 1, 2]，表示分别计算每个通道的直方图
mask:
掩码图像，用于指定图像的哪个区域需要计算直方图
如果不需要掩码，可以传递 None
histSize:
输出直方图的大小
对于一维直方图，这是一个整数
对于二维直方图，这是一个包含两个整数的元组
对于三维直方图，这是一个包含三个整数的元组
ranges:
可选参数，用于指定直方图的范围
默认情况下，将使用图像的最小值和最大值
accumulate:
可选参数，布尔值
True:计算过程中将直方图累积到内部缓冲区中
返回值：返回一个或多个计算出的直方图（取决于输入图像的数量）
方法2
np.histogram(a, bins=10, range=None, normed=None, weights=None, density=None)
参数:
a: 输入数组
bins: 可选参数，表示直方图的条形数（即分箱数量）,默认为10
range:
可选参数，表示直方图的最小值和最大值范围，格式为 (min, max)
如果未指定，则使用 a 的最小值和最大值
normed: 可选参数，布尔值。
如果为 True，则返回的直方图高度将归一化，使得直方图的面积为1
weights:
可选参数，表示每个元素的重要性（权重）
默认情况下，所有元素的权重都是1
density:
可选参数，布尔值
如果为 True，则返回的直方图高度将乘以 bins 的数量，使得直方图下的总面积等于1,这通常与 normed 一起使用
返回值: 返回两个数组,即直方图的高度和区间边界的数组
方法3
np.bincount(arr, weights=None, minlength=0)
参数:
arr:输入的一维整数数组
weights:
可选参数
它是一个形状与arr相同的数组，用于给arr中的每个元素指定权重
若提供了weights，则bincount将计算加权值的出现次数
minlength:
可选参数
指定了输出数组的最小长度
若值 > 0的值，则当max(输入数组) < minlength时，输出数组将用0填充到指定的最小长度
返回值:
一个一维数组
长度为max(arr)+1 / minlength(取决于哪个更大)
二. 掩码区域的直方图绘制
1. 创建与原图一致的shape
2. 创建mask区域
3. 构建mask区域图像，cv.bitwise_and( )
4. 计算直方图
三. 直方图均衡化
实际上一个比较好的图像像素点应该在某一范围内，而不是限制于某个特定的小范围，因此对像素的直方图可以进行拉伸操作
比如：
一个偏暗的图像，像素基本上都在较小的位置
增大像素，图像变量
因此，直方图均衡化操作是一个提高图像对比度的方式
感谢阅读🌼
如果喜欢这篇文章，记得点赞👍和转发🔄哦！
有任何想法或问题，欢迎留言交流💬，我们下次见！
本文相关代码存放位置
【Opencv 图像变换代码实现】
祝愉快🌟！