hist = cv2.calcHist（images，channels，mask，histSize，ranges [，hist [，accumulate]]）

参数说明：
images：uint8或float32类型的原图像。用方括号表示，即“[img]”;
channels：计算直方图的通道索引，也在方括号中给出.例如，如果输入是灰度图像，则其值为[0].对于彩色图像，可以通过[0]，[1]或[2]分别计算蓝色，绿色或红色通道的直方图.
mask：掩码，蒙版图像.要查找完整图像的直方图，它将显示为“无”.但是，如果要查找图像特定区域的直方图，则必须为其创建蒙版图像并将其作为蒙版.
histSize：这代表我们的BIN计数.需要在方括号中给出.对于满量程，我们通过[256].
ranges：这是我们的范围。通常，它是[0,256].

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

def image_calcuhist(imagepath):
    img = cv2.imread(imagepath)#读取图片
    img_shape = img.shape
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度化
    hist = cv2.calcHist([gray],[0],None,[256],[0,256])#计算灰度级别出现频率，返回的是一个（256,1）的数组
    for i in range(hist.shape[0]):
        hist[i] = hist[i]/(img_shape[0]*img_shape[1])#对获得的直方图数据进行归一化
    return hist

if __name__ == '__main__':
    x = np.linspace(0,255,256)#横坐标灰度级别
    y = image_calcuhist("colorful_lena.jpg")#纵坐标值获取
    plt.bar(x,y.ravel(),0.9,alpha=1,color='b')#通过matplotlib进行直方图的绘制
    plt.show()#显示直方图

# 1 0-255 2 概率
# 本质：统计每个像素灰度 出现的概率 0-255 p
import cv2
import numpy as np
import matplotlib.pyplot as plt

def image_histdefinition(imagepath):
    img = cv2.imread(imagepath)#读取图片
    imgInfo = img.shape#获得图片的尺寸大小
    height = imgInfo[0]
    width = imgInfo[1]
    # 灰度化
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    count = np.zeros(256,np.float) # 共256个，创建一个数组用于存放灰度级别出现的频率
    #计算灰度级别频率
    for i in range(0,height):
        for j in range(0,width):
            pixel = gray[i,j] # 获取灰度等级
            index = int(pixel) # 强制类型转换
            count[index] = count[index]+1
    # 计算出现概率，即归一化
    for i in range(0,255):
        count[i] = count[i]/(height*width)
    return count

if __name__ == '__main__':
    # 绘图
    x = np.linspace(0, 255, 256)
    count = image_histdefinition('colorful_lena.jpg')
    y = count
    plt.bar(x, y, 0.9, alpha=1, color='b')
    plt.show()