目录
1. 效果图2. 源码参考这篇博客将介绍如何使用Python，Opencv进行二维直方图的计算及绘制（分别用Opencv和Numpy计算），二维直方图可以让我们对不同的像素密度有更好的了解。
1. 效果图
原始图如下：
1维直方图如下：
2维直方图如下：
X轴显示S值，Y轴显示色调。
hsvmap效果图如下：
2. 源码
# OpenCV中的二维直方图:使用相同的函数cv2.calcHist（）计算。
# 对于1D直方图，我们从BGR转换为灰度
# 对于2D直方图，需要将图像从BGR转换为HSV
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('ym.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 1维直方图
hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
hist, bins = np.histogram(img.ravel(), 256, [0, 256])
plt.hist(img.ravel(), 256, [0, 256])
plt.show()
# 二维直方图可以让我们对不同的像素密度有了更好的了解
# OpenCV计算2D直方图
# HSV图像 [0,1]表示H、S通道，[180,256]表示H、S的bins分别为180、256
# [0,180,0,256]表示值的范围
hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
hist = np.clip(hist * 0.005, 0, 1)
cv2.imshow('hist', hist)
cv2.waitKey(0)
plt.imshow(hist, interpolation='nearest')
plt.show()
# Numpy计算1D直方图：np.histogram（）；
# Numpy计算2D直方图：np.historogram2d（）
h, s, v = cv2.split(hsv)
hist, xbins, ybins = np.histogram2d(h.ravel(), s.ravel(), [180, 256], [[0, 180], [0, 256]])
plt.imshow(hist, interpolation='nearest')
plt.show()
参考
https://github.com/seminar2012/opencv/blob/master/samples/python/color_histogram.py
