OpenCV直方图计算

返回:OpenCV系列文章目录（持续更新中......）

上一篇：OpenCV实现直方图均衡

下一篇 :OpenCV系列文章目录（持续更新中......）

在本教程中，您将学习如何：

使用 OpenCV 函数 cv::split 将图像划分为其对应平面。
使用 OpenCV 函数计算图像数组的直方图 cv::calcHist
使用函数 cv::normalize 规范化数组

注意

在上一个教程（直方图均衡）中，我们讨论了一种特殊的直方图，称为图像直方图。现在我们将从更一般的概念中考虑它。请继续阅读！

什么是直方图？

直方图是组织到一组预定义箱中的数据计数的集合
当我们说数据时，我们并没有将其限制为强度值（正如我们在上一教程直方图均衡中看到的那样）。收集的数据可以是您认为对描述图像有用的任何特征。
让我们看一个例子。想象一下，矩阵包含图像的信息即强度在(0-255)范围内：

如果我们想以有组织的方式计算这些数据，会发生什么？由于我们知道这种情况的信息值范围是 256 个值，因此我们可以将范围分割成子部分（称为箱），例如：

[0,255]=[0,15]∪[16,31]∪....∪[240,255]��=��1∪��2∪....∪��=15

我们可以计算每个 \（bin_{i}\）范围内的像素数。将其应用于上面的示例，我们得到下面的图像（轴 x 表示箱，轴 y 表示每个箱中的像素数）。

这只是直方图如何工作以及为什么它有用的简单示例。直方图不仅可以计算颜色强度，还可以计算我们想要测量的任何图像特征（即渐变、方向等）。
让我们确定直方图的某些部分：
1. dims：要收集数据的参数数。在我们的示例中，dims = 1，因为我们只计算每个像素的强度值（在灰度图像中）。
2. bins：是每个 dim 中的细分数量。在我们的示例中，bins = 16
3. range：要测量的值的限值。在本例中：范围 = [0,255]
如果要计算两个功能怎么办？在这种情况下，生成的直方图将是一个 3D 图（其中 x 和 y 将是每个特征的 \（bin_{x}\）和 \（bin_{y}\），z 将是 \（（bin_{x}， bin_{y}）\）的每个组合的计数数）。这同样适用于更多功能（当然它会变得更棘手）。

OpenCV 为您提供什么

为了简单起见，OpenCV 实现了函数 cv：：calcHist ，它计算一组数组（通常是图像或图像平面）的直方图。它最多可以操作 32 个尺寸。我们将在下面的代码中看到它！

C++代码

这个程序是做什么的？
- 加载图像
- 使用函数 cv::split 将图像拆分为 R、G 和 B 平面
- 通过调用函数 cv::calcHist 计算每个 1 通道平面的直方图
- 在窗口中绘制三个直方图
可下载代码：点击这里
代码一览

#include "opencv2/highgui.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
 
using namespace std;
using namespace cv;
 
int main(int argc, char** argv)
{
 CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
 Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
 if( src.empty() )
 {
 return EXIT_FAILURE;
 }
 
 vector<Mat> bgr_planes;
 split( src, bgr_planes );
 
 int histSize = 256;
 
 float range[] = { 0, 256 }; //the upper boundary is exclusive
 const float* histRange[] = { range };
 
 bool uniform = true, accumulate = false;
 
 Mat b_hist, g_hist, r_hist;
 calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );
 calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, histRange, uniform, accumulate );
 calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, histRange, uniform, accumulate );
 
 int hist_w = 512, hist_h = 400;
 int bin_w = cvRound( (double) hist_w/histSize );
 
 Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );
 
 normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
 normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
 normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
 
 for( int i = 1; i < histSize; i++ )
 {
 line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at<float>(i-1)) ),
 Point( bin_w*(i), hist_h - cvRound(b_hist.at<float>(i)) ),
 Scalar( 255, 0, 0), 2, 8, 0 );
 line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at<float>(i-1)) ),
 Point( bin_w*(i), hist_h - cvRound(g_hist.at<float>(i)) ),
 Scalar( 0, 255, 0), 2, 8, 0 );
 line( histImage, Point( bin_w*(i-1), hist_h - cvRound(r_hist.at<float>(i-1)) ),
 Point( bin_w*(i), hist_h - cvRound(r_hist.at<float>(i)) ),
 Scalar( 0, 0, 255), 2, 8, 0 );
 }
 
 imshow("Source image", src );
 imshow("calcHist Demo", histImage );
 waitKey();
 
 return EXIT_SUCCESS;
}

解释

加载源图像

 CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
 Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
 if( src.empty() )
 {
 return EXIT_FAILURE;
 }

将源图像分隔到三个 R、G 和 B 平面中。为此，我们使用 OpenCV 函数cv::split :

 vector<Mat> bgr_planes;
 split( src, bgr_planes );

我们的输入是要分割的图像（在这种情况下有三个通道），输出是 Mat 的向量）
现在，我们已准备好开始配置每个平面的直方图。由于我们正在使用 B、G 和 R 平面，因此我们知道我们的值将在区间内范围内[0,255]
确定箱数（5， 10...）：

 int histSize = 256;

设置值范围（正如我们所说，介于 0 和 255 之间）

 float range[] = { 0, 256 }; //the upper boundary is exclusive
 const float* histRange[] = { range };

我们希望我们的箱具有相同的大小（均匀），并在开始时清除直方图，因此：

 bool uniform = true, accumulate = false;

我们继续使用 OpenCV 函数 cv::calcHist 计算直方图：

 Mat b_hist, g_hist, r_hist;
 calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );
 calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, histRange, uniform, accumulate );
 calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, histRange, uniform, accumulate );

其中参数为（C++ 代码）：
- &bgr_planes[0]：源数组
- 1：源数组的数量（在本例中我们使用 1.我们也可以在这里输入数组列表：）
- 0：要测量的通道（暗淡）。在这种情况下，它只是强度（每个数组都是单通道的），所以我们只写 0。
- Mat()：要在源数组上使用的掩码（零表示要忽略的像素）。如果未定义，则不使用
- b_hist：将存储直方图的 Mat 对象
- 1：直方图维数。
- histSize：每个使用维度的箱数
- histRange：每个维度要测量的值范围
- 均匀和累积：箱大小相同，直方图在开始时被清除。
创建图像以显示直方图：

 int hist_w = 512, hist_h = 400;
 int bin_w = cvRound( (double) hist_w/histSize );
 
 Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );

请注意，在绘制之前，我们首先对直方图进行 cv::规范化，使其值落在输入的参数指示的范围内：

 normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
 normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
 normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );

此函数接收以下参数（C++ 代码）：
- b_hist：输入数组
- b_hist：输出规范化数组（可以相同）
- 0 和 histImage.rows：在此示例中，它们是规范化 r_hist 值的下限和上限
- NORM_MINMAX：指示规范化类型的参数（如上所述，它调整之前设置的两个限制之间的值）
- -1：表示输出规范化数组的类型将与输入相同
- 垫（）：可选面罩
要访问箱（在本例中为此 1D 直方图），请注意：

 for( int i = 1; i < histSize; i++ )
 {
 line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at<float>(i-1)) ),
 Point( bin_w*(i), hist_h - cvRound(b_hist.at<float>(i)) ),
 Scalar( 255, 0, 0), 2, 8, 0 );
 line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at<float>(i-1)) ),
 Point( bin_w*(i), hist_h - cvRound(g_hist.at<float>(i)) ),
 Scalar( 0, 255, 0), 2, 8, 0 );
 line( histImage, Point( bin_w*(i-1), hist_h - cvRound(r_hist.at<float>(i-1)) ),
 Point( bin_w*(i), hist_h - cvRound(r_hist.at<float>(i)) ),
 Scalar( 0, 0, 255), 2, 8, 0 );
 }

我们使用表达式（C++代码）：

b_hist.at<float>(i)

其中表示尺寸。如果它是 2D 直方图，我们会使用如下内容：最后，我们显示直方图并等待用户退出：

 imshow("Source image", src );
 imshow("calcHist Demo", histImage );
 waitKey();

结果

使用如下所示的图像作为输入参数：

生成以下直方图：

参考文献：

1、《Histogram Calculation》-----Ana Huamán