统计灰度图像的灰度值分布并绘制

1、numpy方法

函数：

numpy.histogram(a, bins=10, range=None, normed=None, weights=None, density=None)

参数说明：

a:输入数据数组；
bins:指定统计的区间个数，可以是一个整数，也可以是一个数组，默认值为10；
range:表示的是范围，范围仅为 (a.min(), a.max());表示统计范围的最小值和最大值，默认值None
weights:表示权重。为数组的每个元素指定了权值,histogram()会对区间中数组所对应的权值进行求和
density:为True时，返回每个区间的概率密度；为False，返回每个区间中元素的个数

hist：数组。直方图的值，有关可能语义的说明，请参见密度和权重。
bin_edges： dtype 浮点数组。返回 bin 边 (length(hist)+1) 。

代码示例：

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

# 读取图像
image = cv2.imread(r"D:\Desktop\00aa\1.png", 0)

# 统计灰度值分布
hist, bins = np.histogram(image.flatten(), bins=range(256))

# 绘制直方图
plt.figure(figsize=(10, 6))
plt.bar(bins[:-1], hist, width=1, color='gray')
plt.xlabel('Gray Level')
plt.ylabel('Pixel Count')
plt.title('Gray Level Histogram')
plt.show()

2、OpenCv方法

我们也可以用OpenCv方法：

cv2.calcHist(images, channels, mask, histSize, ranges)

参数：

images：原图像。当传入函数时应该用中括号 [] 括起来，例如：[img]
channels：如果输入图像是灰度图，它的值就是[0]；如果是彩色图像的话，传入的参数可以是[0]，[1]，[2]它们分别对应着通道B，G，R。
mask:掩模图像。要统计整幅图像的直方图就把它设为None。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。0为背景，1为需要统计区域。
histSize：bins的数目。也应该用中括号括起来，例如：[256]。
ranges：像素值范围。通常为[0,256]。

代码示例：

import cv2 as cv
import matplotlib.pyplot as plt

src = cv.imread(r"D:\Desktop\00aa\1.png", 0)  # 直接以灰度图方式读入
img = src.copy()

# 统计灰度图
greyScale_map = cv.calcHist([img], [0], None, [256], [0, 256]).squeeze()

# 绘制灰度图
plt.figure(figsize=(10, 6), dpi=100)
plt.bar(range(len(greyScale_map)), greyScale_map, color='gray')
plt.xlabel('Gray Level')
plt.ylabel('Pixel Count')
plt.title('Gray Level Histogram')
plt.show()