OpenCV 二维直方图实战：用 cv.calcHist 与 np.histogram2d 计算并可视化 HSV 色彩直方图

OpenCV 二维直方图实战：用 cv.calcHist 与 np.histogram2d 计算并可视化 HSV 色彩直方图

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv

本文围绕 OpenCV 教程《Histograms - 3 : 2D Histograms》展开，系统讲解如何计算和绘制二维直方图（2D Histogram）。读完本篇，你将掌握三个核心技能：用cv.calcHist()对 HSV 图像同时统计 Hue（色相）与 Saturation（饱和度）两个特征；用np.histogram2d()在纯 NumPy 环境中完成同样的统计；以及三种不同的二维直方图可视化方案——cv.imshow()、Matplotlib 的imshow()和带真实色彩标注的"OpenCV 示例风格"彩色直方图。这些能力是理解后续直方图反向投影（Histogram Back-Projection）等主题的基础。

为什么需要二维直方图

在前一篇教程（一维直方图）中，我们只考虑单一特征——像素的灰度强度值，因此得到一维直方图。而二维直方图同时考虑两个特征，最典型的应用是颜色直方图（color histogram）：每个像素有两个特征，即 HSV 颜色空间中的 Hue（色相）与 Saturation（饱和度）值。

一维灰度直方图只能回答"图像中什么灰度等级的像素多"，无法回答"图像中是什么颜色占主导"。而色彩信息天然分布在 H 与 S 两个维度上，必须用二维统计才能完整表达。例如在教程使用的示例图像home.jpg中，可以看到 H ≈ 100、S ≈ 200 附近有明显高值峰，对应天空的蓝色；另一处 H ≈ 25、S ≈ 100 附近的峰对应宫殿的黄色。这种"坐标位置 → 实际颜色"的对应关系，正是二维直方图的核心价值，也可以用 GIMP 等图像编辑工具对原图取色加以验证。

用 cv.calcHist 计算二维直方图

OpenCV 中计算二维直方图与一维直方图使用同一个函数cv.calcHist()，区别仅在于参数。对于颜色直方图，需要先把图像从 BGR 转换到 HSV（一维直方图时是从 BGR 转到 Grayscale）。参数修改方式如下：

• channels = [0, 1]—— 因为需要同时处理 H 平面（HSV 的第 0 通道）和 S 平面（第 1 通道）；
• bins = [180, 256]—— H 平面取 180 个 bin，S 平面取 256 个 bin；
• range = [0, 180, 0, 256]—— OpenCV 中 8 位图像 HSV 转换后 Hue 的取值范围是 0–180，Saturation 的取值范围是 0–256。

完整代码：

import numpy as np import cv2 as cv img = cv.imread('home.jpg') assert img is not None, "file could not be read, check with os.path.exists()" hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) hist = cv.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])

几点说明：

• 第 1 个参数[hsv]是图像列表（列表形式是为了兼容多图像统计）；
• 第 2 个参数[0, 1]指定参与统计的通道索引，0是 H、1是 S；
• 第 3 个参数None表示不使用掩码，统计全图。传入掩码时只统计掩码非零区域的像素；
• 第 4 个参数[180, 256]是各维度 bin 数，第 5 个参数[0, 180, 0, 256]是对应各维度的取值范围，按维度顺序依次拼接。

返回结果hist是一个180 × 256 的二维数组，hist[h, s]表示色相落在第 h 个 bin、饱和度落在第 s 个 bin 的像素个数。

这一参数模式在仓库官方教程代码中有真实印证。官方反向投影示例 calcBackProject_Demo2.py 中，正是用同样的"双通道 + 双维度 bins + 拼接 range"写法从 HSV 图像提取颜色直方图（该示例使用更细粒度的h_bins=30、s_bins=32以减少计算量）：

# samples/python/tutorial_code/Histograms_Matching/back_projection/calcBackProject_Demo2.py h_bins = 30 s_bins = 32 histSize = [h_bins, s_bins] h_range = [0, 180] s_range = [0, 256] ranges = h_range + s_range # Concat list channels = [0, 1] # Get the Histogram and normalize it hist = cv.calcHist([hsv], channels, mask, histSize, ranges, accumulate=False) cv.normalize(hist, hist, alpha=0, beta=255, norm_type=cv.NORM_MINMAX) # Get Backprojection backproj = cv.calcBackProject([hsv], channels, hist, ranges, scale=1)

从这段源码可以确认：二维 HSV 直方图是反向投影（cv.calcBackProject）的直接输入——先统计出目标区域的直方图，再用它生成反向投影图做相似区域检索。这正是本文档末尾提到的"对后续主题有用"的具体落点。

用 np.histogram2d 在 NumPy 中计算

NumPy 提供了专用函数np.histogram2d()（对应一维时使用的np.histogram()），可以在不依赖 OpenCV 直方图接口的前提下完成同样的统计：

import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('home.jpg') assert img is not None, "file could not be read, check with os.path.exists()" hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) hist, xbins, ybins = np.histogram2d(h.ravel(), s.ravel(), [180, 256], [[0, 180], [0, 256]])

参数含义（原文档逐一点明）：

• 第 1 个参数：H 平面数据，h.ravel()把 H 通道展开为一维数组；
• 第 2 个参数：S 平面数据，s.ravel()；
• 第 3 个参数：每个维度的 bin 数[180, 256]；
• 第 4 个参数：每个维度的取值范围[[0, 180], [0, 256]]。

函数返回三个值：hist为统计结果（形状为(len(xbins), len(ybins))的二维数组，注意 NumPy 约定行轴对应第一个输入 x），xbins、ybins是各维度的 bin 边界数组。与cv.calcHist相比，NumPy 版本的直方图数值语义一致，但绘制时需要自行处理轴方向与边界；OpenCV 版本则与后续cv.calcBackProject、cv.compareHist等接口天然兼容，工程链路上更顺。

小提示：若用np.split(hsv, 3, axis=2)拆出h, s, v，可避免在示例代码中手写hsv[:,:,0]、hsv[:,:,1]这类索引。

二维直方图的三种可视化方法

二维直方图的结果是 180 × 256 的矩阵，"怎么画"直接影响可读性。教程给出了三种方案，按信息量递增排列。

方法一：直接使用 cv.imshow()

结果是一个 180 × 256 的二维数组，可以直接当作灰度图像显示：

cv.imshow('2D Histogram', hist) cv.waitKey(0)

它的局限在于显示的是灰度图，除非你熟悉不同颜色对应的 Hue 数值区间，否则看不出图中峰值代表什么颜色。优点是零依赖、适合在无 GUI 绘图库的环境（如嵌入式、服务器）快速查看直方图形态。

方法二：使用 Matplotlib（推荐）

matplotlib.pyplot.imshow()可以配合不同的 color map 来绘制二维直方图，能更直观地反映像素密度分布。同样地，它无法直接告诉你峰值处是什么颜色（除非你知道各 Hue 值对应的色相），但教程作者明确表示更推荐这种方式——简单且效果好。

import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('home.jpg') assert img is not None, "file could not be read, check with os.path.exists()" hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) hist = cv.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256]) plt.imshow(hist, interpolation='nearest') plt.show()

上面第一张配图（2dhist_matplotlib.jpg）即为该方法的输出。使用时的注意点：插值标志应设为interpolation='nearest'，以避免双线性插值模糊 bin 边界，得到更准确的密度呈现。

该图的坐标语义需要记住：X 轴是 S 值（0–255），Y 轴是 Hue（0–179）。图中可见两类显著高密度区：H ≈ 100、S ≈ 200 附近的蓝色（天空），以及 H ≈ 25、S ≈ 100 附近的黄色（宫殿主体）。

方法三：OpenCV 示例风格——输出彩色直方图

教程提到 OpenCV-Python 示例中有一个samples/python/color_histogram.py，运行后可看到直方图中带有真实色彩标注（即"color coded histogram"）。需要说明的是：在当前仓库版本中，该文件已不再位于 samples/python/ 目录下（仓库的 Python 示例已重组为 tutorial_code/ 目录结构），但教程对其实现原理的描述依然有参考价值：

作者先创建了一张 HSV 颜色映射图（color map），再将其转换为 BGR；然后把直方图图像与该颜色映射图逐像素相乘。同时使用若干预处理步骤去除孤立的小像素点，最终得到漂亮的直方图。

这种方法的精髓可以概括为三步：

1. 构造一张与直方图同尺寸（180 × 256）的"色谱图"，横坐标位置 s 的像素取饱和度 s、纵坐标位置 h 的像素取色相 h，整体转换到 BGR；
2. 将归一化后的直方图与该色谱图逐元素相乘，使每个 bin 位置呈现"密度 × 颜色"；
3. 用形态学运算（如开运算）剔除孤立的微小亮点，减少视觉噪声。

教程给出的同一输入图像的输出结果如下，可以清晰地看到蓝色、黄色的存在，以及因棋盘格产生的白色成分：

如果你想自己复现这套效果，核心骨架大致是：

import numpy as np import cv2 as cv img = cv.imread('home.jpg') assert img is not None, "file could not be read, check with os.path.exists()" hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) hist = cv.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256]) cv.normalize(hist, hist, 0, 255, cv.NORM_MINMAX) hist_img = np.uint8(hist) # 构造与直方图同尺寸的 HSV 色谱图：S 随列变化，H 随行变化 color_map = np.zeros((180, 256, 3), dtype=np.uint8) color_map[:, :, 0] = np.arange(256)[np.newaxis, :] # H 固定为 0 示例； color_map[:, :, 1] = 255 # 实际应让 H 随行 h 变化 color_map[:, :, 2] = 0 # 正确的完整做法：H 平面 = 行索引 h，S 平面 = 列索引 s hue_plane = np.tile(np.arange(180)[:, np.newaxis], (1, 256)) sat_plane = np.tile(np.arange(256)[np.newaxis, :], (180, 1)) color_map = np.dstack((hue_plane, sat_plane, np.full((180, 256), 128))) color_map_bgr = cv.cvtColor(color_map, cv.COLOR_HSV2BGR) # 直方图 × 颜色映射，再去除孤立点 colored_hist = (hist_img[..., np.newaxis] * color_map_bgr // 255) colored_hist = cv.medianBlur(colored_hist, 3) cv.imshow('Color Histogram', colored_hist) cv.waitKey(0)

参数速查与源码印证

把本文涉及的参数集中对照如下，方便直接复制到项目中：

再强调两条易错点：

1. Hue 的上界是 180 而不是 360。OpenCV 的 8 位图像 HSV 转换中，H 被压缩到 0–180 区间（cv.COLOR_BGR2HSV的约定），这与度制色相 0–360 相差 2 倍，range 写错会导致统计结果整体为零；
2. bins 与 range 必须按维度顺序一一对应。[180, 256]与[0, 180, 0, 256]中，前 180 属于 H，后 256 属于 S，顺序颠倒会静默地得到错误直方图而不报错。

一维直方图教程的官方代码 calcHist_Demo.py 展示了histSize、histRange、accumulate等参数在单通道场景下的用法，与本文的双通道用法一脉相承：单通道时channels=[0]、bins=[256]、range=(0,256)；双通道时维度翻倍，范围拼接为[0, 180, 0, 256]。

小结与延伸

本篇覆盖的内容可以归纳为一句话：BGR 转 HSV → 双通道双维度统计 → 矩阵结果可视化。具体落点：

• 统计入口：cv.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])，或np.histogram2d(h.ravel(), s.ravel(), [180, 256], [[0,180],[0,256]])；
• 可视化三法：cv.imshow()（最快）、matplotlib.pyplot.imshow()（推荐，记得interpolation='nearest'）、彩色映射相乘法（信息量最大）；
• 结果解读：X 轴为 S、Y 轴为 H，结合 Hue 数值区间判断颜色归属。

在此基础上可以继续深入仓库中的相关示例：反向投影 calcBackProject_Demo1.py 与 calcBackProject_Demo2.py（二维直方图 → 反向投影 → 相似区域检索）、直方图比较 compareHist_Demo.py（cv.compareHist的多种度量方法）、以及直方图均衡化 EqualizeHist_Demo.py。教程系列的完整入口见 py_tutorials 目录。

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv