直方图

FlowJo中常用的调整参数轴的方法： 1. 对数轴和线性轴之间的转换： 2. 调整参数轴的范围： 3. 直方图中对纵轴的调整： 3.1 图形窗口中对纵轴的调整： 3.2布局编辑器（Layout）中对Y轴的调整： 4. 在布局编辑器（Layout）中对参数轴名称等属性的。

··· import cv2 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D img_path = "C:/Users/WZChan/Desktop/" img = cv2.imread(img_path + "test_600x350_imwrite.jpg") hist_b = cv2.calcHist([img], [0], None, [256], [0, 256]) hist_g = cv2.calcHist([img], [0], None, [256], [0, 256]) hist_r = cv2.calcHist([img], [0], None, [256], [0, 256]) def gamma_trans(img, gamma): gamma_table = [np.power(x / 255.0, gamma)*255.0 for x in range(256)] gamma_table = np.round(np.array(gamma_table)).astype(np.uint8) img_corrected = gamma_trans(img, 0.5) cv2.imwrite(img_path + "gamma_corrected.jpg", img_corrected) hist_b_corrected = cv2.calcHist([img_corrected], [0], None, [256], [0, 256]) hist_g_corrected = cv2.calcHist([img_corrected], [0], None, [256], [0, 256]) hist_r_corrected = cv2.calcHist([img_corrected], [0], None, [256], [0, 256]) fig = plt.figure() pix_hists = [ [hist_b, hist_g, hist_r], [hist_b_corrected, hist_g_corrected, hist_r_corrected] ] pix_vals = range(256) for sub_plt, pix_hists in zip([121, 122], pix_hists): ax = fig.add_subplot(sub_plt, projection = "3d") for c, z, channel_hist in zip(["b", "g", "r"], [20, 10, 0], pix_hists): cs = [c] * 256 ax.bar(pix_vals, channel_hist, zs=z, zdir="y", color=cs, alpha=0.618, edgecolor="none", lw=0) ax.set_xlabel("Pixel Value") ax.set_xlim([0, 256]) ax.set_ylabel("Counts") ax.set_zlabel("Channels") plt.show() ···

词目： 直方图匹配。 英文： histogram matching。 释文： 将图像直方图以标准图像的直方图为标准作变换,使两图像的直方图相同和近似,从而使两幅图像具有类似的色调和反差。在遥感图像处理中,直方图匹配应用于：①图像镶嵌中图像的灰度调节,通过直方图匹配使相邻两幅图像的色调和反差趋于相同。②多时相图像处理中以一个时相的图像为标准,调节另一幅图像的色调与反差,以便作进一步的运算。③以一幅增强后色调和反差比较满意的图像为标准,对另一幅图像作处理,期望得到类似的结果。直方图匹配——又叫直方图规定化（Histogram Normalization/Matching ）直方图匹配：

准备工具：(1)电脑(2)需自行安装R及Rstudio(#我们只要在Rstudio中练习，其中的作用你上手即可知道)ok，开始我们的学习第一步：导入我们的数据(或先在文本中如数几个数据进行练习)data#自行输入代码第二步：开始制图(我们后面的练习都用上述数据)1、用于绘制直方图的数据，该参数的值为一个向量datahist(data)#从图中可以看出，横坐标为不同的区间，纵坐标落入该区间的频数2、break参数使用#指定一个向量，给出不同的断点datahist(data, breaks = c(0.5, 1.5, 2.5, 3.5))3、freq:逻辑值，默认值为TRUE,y轴显示的每个区间内的频数，FALSE：代表显示的是频率#4)probability:逻辑值和freq参数的作用正好相反，TRUE代表频数，TALSEd代表频数par(mfrow = c(1,2))datahist(data, breaks = c(0.5, 1.5, 2.5, 3.5), probability = T, main = "probability = T")hist(data, breaks = c(0.5, 1.5, 2.5, 3.5), probability = F, main = "probability = F")###最重要的地方##labels：显示在每个柱子上方的标签(可以用做方差标记)hist(data, breaks = c(0.5, 1.5,2.5, 3.5), labels = c("A

这是8位灰度直方图编程实例：彩色的修改一下就行了。VS2008 "绘制直方图"窗体的代码部分 public partial class histForm : Form { public histForm(Bitmap bmp) { InitializeComponent(); bmpHist = bmp; countPixel = new int[256]; } private void close_Click(object sender, EventArgs e) { this.Close(); } private void histForm_Paint(object sender, PaintEventArgs e) { Pen curPen = new Pen(Brushes.Black, 1); Graphics g = e.Graphics; g.DrawLine(curPen, 50, 240, 320, 240); g.DrawLine(curPen, 50, 240, 50, 30); g.DrawLine(curPen, 100, 240, 100, 242); g.DrawLine(curPen, 150, 240, 150, 242); g.DrawLine(curPen, 200, 240, 200, 242); g.DrawLine(curPen, 250, 240, 250, 242); g.DrawLine(curPen, 300, 240, 300, 242); g.DrawString("0", new Font("New Timer", 8), Brushes.Black, new PointF(46, 242)); g.DrawString("50", new Font("New Timer", 8), Brushes.Black, new PointF(92, 242)); g.DrawString("100", new Font("New Timer", 8), Brushes.Black, new PointF(139, 242)); g.DrawString("150", new Font("New Timer", 8), Brushes.Black, new PointF(189, 242)); g.DrawString("200", new Font("New Timer", 8), Brushes.Black, new PointF(239, 242)); g.DrawString("250", new Font("New Timer", 8), Brushes.Black, new PointF(289, 242)); g.DrawLine(curPen, 48, 40, 50, 40); g.DrawString("0", new Font("New Timer", 8), Brushes.Black, new PointF(34, 234)); g.DrawString(maxPixel.ToString(), new Font("New Timer", 8), Brushes.Black, new PointF(18, 34)); double temp = 0; for (int i = 0; i < 256; i++) { temp = 200.0 * countPixel[i] / maxPixel; g.DrawLine(curPen, 50 + i, 240, 50 + i, 240 - (int)temp); } curPen.Dispose(); } private void histForm_Load(object sender, EventArgs e) { Rectangle rect = new Rectangle(0, 0, bmpHist.Width, bmpHist.Height); System.Drawing.Imaging.BitmapData bmpData = bmpHist.LockBits(rect, System.Drawing.Imaging.ImageLockMode.ReadWrite, bmpHist.PixelFormat); IntPtr ptr = bmpData.Scan0; int bytes = bmpHist.Width * bmpHist.Height; byte[] grayValues = new byte[bytes]; System.Runtime.InteropServices.Marshal.Copy(ptr, grayValues, 0, bytes); byte temp = 0; maxPixel = 0; Array.Clear(countPixel, 0, 256); for (int i = 0; i < bytes; i++) { temp = grayValues[i]; countPixel[temp]++; if (countPixel[temp] > maxPixel) { maxPixel = countPixel[temp]; } } System.Runtime.InteropServices.Marshal.Copy(grayValues, 0, ptr, bytes); bmpHist.UnlockBits(bmpData); } }窗体设计类部分。 partial class histForm { /// <summary> /// 必需的设计器变量。 /// </summary> private System.ComponentModel.IContainer components = null; /// <summary> /// 清理所有正在使用的资源。 /// </summary> /// <param name="disposing">如果应释放托管资源，为 true；否则为 false。</param> protected override void Dispose(bool disposing) { if (disposing && (components != null)) { components.Dispose(); } base.Dispose(disposing); } #region Windows 窗体设计器生成的代码 /// <summary> /// 设计器支持所需的方法 - 不要 /// 使用代码编辑器修改此方法的内容。 /// </summary> private void InitializeComponent() { this.close = new System.Windows.Forms.Button(); this.SuspendLayout(); // // close // this.close.Location = new System.Drawing.Point(252, 265); this.close.Name = "close"; this.close.Size = new System.Drawing.Size(75, 23); this.close.TabIndex = 0; this.close.Text = "关闭"; this.close.UseVisualStyleBackColor = true; this.close.Click += new System.EventHandler(this.close_Click); // // histForm // this.AutoScaleDimensions = new System.Drawing.SizeF(6F, 12F); this.AutoScaleMode = System.Windows.Forms.AutoScaleMode.Font; this.ClientSize = new System.Drawing.Size(347, 305); this.ControlBox = false; this.Controls.Add(this.close); this.Name = "histForm"; this.Text = "直方图"; this.Paint += new System.Windows.Forms.PaintEventHandler(this.histForm_Paint); this.Load += new System.EventHandler(this.histForm_Load); this.ResumeLayout(false); } #endregion private System.Windows.Forms.Button close; private System.Drawing.Bitmap bmpHist; private int[] countPixel; private int maxPixel; }

如下：横轴：代表从黑到白的影调；纵轴：代表像素量。也就是说，直方图统计的是“照片中”不同影调的像素量多少。混淆：初学者容易觉得直方图越高越亮

菜单：窗口---可停靠对话框---直方图

一、直方图介绍直方图是一种用来判断图像曝光是否正常的工具。RAW后期处理软件Alien Skin Exposure直方图的横轴代表亮度，从左到右即是从暗到明的过程。而纵轴代表每个亮度的像素数量。我们可以简单地理解为，观察直方图能判断照片明暗程度。根据专业人士的介绍，直方图从左往右，依次为黑色、阴影、曝光、高光、白色，也就是说当左边的形成峰谷时，则图片偏暗；右边形成峰谷时，则图片偏亮。请点击输入图片描述由于光色的三原色是红、绿、蓝，所以RAW后期处理软件Alien Skin Exposure的直方图也是由红绿蓝三种颜色组成，有红、绿、蓝和一个共同重合的灰四种通道，可以分别显示，这样，在调图的过程中，可以分别观察各个颜色通道的变化。请点击输入图片描述在Alien Skin Exposure软件中，用鼠标按住直方图是可以直接调整的，为了让大家更容易明白直方图的意义，通过以下调整给大家展示一下极端效果。请点击输入图片描述上图是我尽可能的往左推直方图，形成的照片的样子。直方图中显示，色块全部堆积在左侧，照片过暗。很明显，给人的感觉就是太暗了，根本看不清照片的感觉。这其实就是我们常说的照片暗部细节丢失。同理，我们来看一下过亮（即过曝）的情况。请点击输入图片描述二、直方图的用处直方图的作用如下：1.帮助我们得到曝光正常的图片。我们可以通过直方图判断，当前拍摄时曝光是否正常。只要保证直方图是一条平滑的曲线，暗部与亮度都没有溢出就可以了。2.为后期修图提供指导。通过直方图，我们可以知道图像的调节方向。如果想要改变黑色，可以在Alien Skin Exposure中调整黑色色阶。想要调节阴影，则可以在Alien Skin Exposure中调节阴影。当然参数之间不是彼此独立的，调节某个参数，其他的也会随之变化。

想象一下，如果一副图像中的大多是像素点的像素值都集中在一个像素值范围之内会怎样呢？例如，如果一幅图片整体很亮，那所有的像素值应该都会很高。但是一副高质量的图像的像素值分布应该很广泛。所以你应该把它的直方图做一个横向拉伸（如下图），这就是直方图均衡化要做的事情。通常情况下，这种操作会改善图像的对比度。 这种方法通常用来增加许多图像的全局 对比度 ，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法， 亮度 可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。 这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来 X光 图像中更好的 骨骼 结构显示以及曝光过度或者曝光不足 照片 中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是 可逆 操作，如果已知均衡化 函数 ，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景 噪声 的对比度并且降低有用 信号 的对比度。 我们先来看看相应的直方图和累积直方图，然后使用 OpenCV 进行直方图均衡化。 我们可以看出来直方图大部分在灰度值较高的部分，而且分布很集中。而我们希望直方图的分布比较分散，能够涵盖整个 x 轴。所以，我们就需要一个变换函数帮助我们把现在的直方图映射到一个广泛分布的直方图中，这就是直方图均衡化。 **限制对比度自适应性直方图均衡化 CLAHE ** 在上边做的直方图均衡化会改变整个图像的对比度，但是在很多情况下，这样做的效果并不好。的确在进行完直方图均衡化之后，图片背景的对比度被改变了。但是你再对比一下两幅图像中雕像的面图，由于太亮我们丢失了很多信息。 原理： 为了解决这个问题，我们需要使用自适应的直方图均衡化 CLAHE (Contrast Limited Adaptive Histogram Equalization)。这种情况下，整幅图像会被分成很多小块，这些小块被称为“tiles”（在 OpenCV 中 tileGridSize默认是 8x8），然后再对每一个小块分别进行直方图均衡化（跟前面类似）。所以在每一个的区域中，直方图会集中在某一个小的区域中（除非有噪声干扰）。如果有噪声的话，噪声会被放大。为了避免这种情况的出现，要使用对比度限制。 CLAHE中，每一个像素邻域都要进行对比度限制，从而得到对应的变换函数，被用来降低AHE中噪声的增强，这主要是通过限制AHE中的对比度增强来实现的。像素周围邻域噪声的增强主要是由变换函数的斜率造成的，由于像素邻域的噪声与邻域的CDF成正比，因此也与邻域直方图在该中心像素位置的值成正比，CLAHE之所以能够限制对比度，是因为它在计算邻域的CDF之前在指定阈值处对直方图进行了修剪，如下图所示，这一做法不仅限制了CDF的斜率，也限制了变换函数的斜率，其中对直方图进行切割所使用的阈值，被称作修剪限制度（clip limit），这个参数不仅依赖于直方图的归一化，而且依赖于像素邻域的size大小，通常设为3到4之间。 对于每个小块来说，如果直方图中的 bin 超过对比度的上限的话，就把其中的像素点均匀分散到其他 bins 中，然后在进行直方图均衡化。最后，为了去除每一个小块之间“人造的”（由于算法造成）边界，再使用双线性差值，与原图做图层滤色混合操作（可选）。 实现： 参考文献： 网址： 直方图均衡化 Adaptive_histogram_equalization 书籍：《数字图像处理》《OpenCV-Python 中文教程》

从实际分析的角度讲,如果数据都是以整数形式出现的,比如年龄、人数,直方图就用整数；如果数据是一些连续数据,比如身高,体积,就应该用你所说的“整数减零点五”,这个概念称作 continuity correction. 另外,你可能也遇到了一些整数数据采用了 continuity correction的方式.这是因为,这些数据本身是用整数来估计了真实值.还是以身高为例,如果身高的数据都是整厘米数,那么这个时候应该实用continuity correction. 如174cm, 直方图里面应该是： 173.5~174.5 cm

右键空白处选择网格与参考线选择屏幕显示绘图参考线点确定