هنگامی که به هیستوگرام تصویر رنگی اشاره می شود، معمولاً منظور هیستوگرام شدت تصویر (درخشندگی) یا کانال های رنگی جداگانه است. هر دوی این گونه‌ها عملاً توسط هر برنامه پردازش تصویر پشتیبانی می‌شوند و برای ارزیابی عینی کیفیت تصویر، به خصوص مستقیماً پس از گرفتن تصویر، استفاده می‌شوند.
هیستوگرام شدت یا درخشندگی hLum یک تصویر رنگی چیزی بیش از هیستوگرام تصویر مربوط به مقیاس خاکستری نیست، بنابراین طبیعتاً تمام جنبه های بحث هیستوگرام تصویر در مورد این نوع هیستوگرام نیز صدق می کند.
تصویر مقیاس خاکستری با محاسبه درخشندگی کانال های جداگانه تصویر رنگی به دست می آید. هنگام محاسبه روشنایی، متوسط کردن مقادیر هر کانال رنگ کافی نیست. در عوض، یک جمع وزنی که نظریه درک رنگ را در نظر می گیرد باید محاسبه شود.
حتی اگر هیستوگرام روشنایی تمام کانال های رنگی را در نظر بگیرد، خطاهای تصویری که در کانال های منفرد ظاهر می شوند می توانند کشف نشده باقی بمانند. به عنوان مثال، هیستوگرام درخشندگی ممکن است حتی زمانی که یکی از کانال های رنگ بیش از حد اشباع شده باشد، تمیز به نظر برسد. در تصاویر RGB، کانال آبی تنها مقدار کمی به روشنایی کل کمک می کند و بنابراین به ویژه به این مشکل حساس است.
هیستوگرام های مولفه ای اطلاعات بیشتری در مورد توزیع شدت در کانال های رنگی جداگانه ارائه می دهند. هنگام محاسبه هیستوگرام مولفه ها، هر کانال رنگی تصویری با شدت مجزا در نظر گرفته می شود و هر هیستوگرام مستقل از کانال های دیگر محاسبه می شود. شکل 1 هیستوگرام درخشندگی hLum و هیستوگرام سه جزء hR، hG و hB یک تصویر رنگی RGB معمولی را نشان می دهد.
توجه داشته باشید که مشکلات اشباع در هر سه کانال (قرمز در ناحیه با شدت بالا، سبز و آبی در نواحی پایین تر) در هیستوگرام مولفه آشکار است اما در هیستوگرام روشنایی نه.
در این مورد، قابل توجه است و اصلاً غیر معمول نیست که هیستوگرام های سه جزء کاملاً متفاوت از هیستوگرام درخشندگی مربوطه hLum به نظر می رسند (شکل 1 (b)).
هیستوگرام های درخشندگی و هیستوگرام مولفه ای هر دو اطلاعات مفیدی در مورد نور، کنتراست، دامنه دینامیکی و اثرات اشباع نسبت به اجزای رنگ جداگانه ارائه می دهند.
مهم است که به خاطر داشته باشیم که هیچ اطلاعاتی در مورد توزیع رنگ های واقعی در تصویر ارائه نمی دهند زیرا بر اساس کانال های رنگی جداگانه هستند و ترکیبی از کانال های جداگانه که رنگ یک پیکسل را تشکیل داده نیستند.
به عنوان مثال، زمانی که hR، هیستوگرام مؤلفه برای کانال قرمز، حاوی ورودی
hR(200) = 24
باشد، را در نظر بگیریم. سپس تنها مشخص است که تصویر دارای 24 پیکسل است که مقدار شدت قرمز آن 200 است. ورودی اینگونه نیست. در مورد مقادیر سبز و آبی آن پیکسل ها چیزی به ما بگویید که می تواند هر مقدار معتبری باشد (∗). یعنی
(200، ∗، ∗) = (r، g، b)
همچنین فرض کنید که هیستوگرام های سه جزء شامل ورودی های زیر هستند:
hR(50) = 100 ، hG(50) = 100، hB(50) = 100
آیا می‌توانیم از این نتیجه بگیریم که تصویر دارای 100 پیکسل با ترکیب رنگ
(50,50,50) = (r, g, b)
است یا اصلاً این رنگ وجود دارد؟ به طور کلی، خیر، زیرا هیچ راهی وجود ندارد که از این داده ها مشخص شود که پیکسلی در تصویر وجود دارد که در آن هر سه جزء دارای مقدار 50 باشند. تنها چیزی که واقعاً می توانیم بگوییم این است که مقدار رنگ (50، 50، 50) می تواند حداکثر 100 بار در این تصویر رخ دهد. بنابراین، اگرچه هیستوگرام های معمولی (شدت یا جزء) تصاویر رنگی ویژگی های مهمی را نشان می دهند، اما در واقع هیچ اطلاعات مفیدی در مورد ترکیب رنگ های واقعی در یک تصویر ارائه نمی دهند.
در واقع، مجموعه‌ای از تصاویر رنگی می‌توانند هیستوگرام اجزای بسیار مشابهی داشته باشند و همچنان حاوی رنگ‌های کاملاً متفاوتی باشند. این منجر به موضوع جالب هیستوگرام ترکیبی می شود، که از اطلاعات آماری در مورد اجزای رنگ ترکیبی در تلاش برای تعیین اینکه آیا دو تصویر تقریباً از نظر ترکیب رنگ مشابه هستند یا خیر، استفاده می کند. ویژگی های محاسبه شده از این نوع هیستوگرام اغلب پایه و اساس روش های بازیابی تصویر مبتنی بر رنگ را تشکیل می دهند.
