OpenCV直方图计算

目标

在本教程中，您将学习如何：

• 使用OpenCV函数cv :: split将图像分割成对应的平面。
• 使用OpenCV函数cv :: calcHist来计算图像数组的直方图
• 使用函数cv :: normalize对数组进行归一化

注意

在上一个教程（直方图均衡）中，我们讨论了一种称为“ 图像直方图”的特定类型的直方图。现在我们将在其更一般的概念中思考。

什么是直方图？

• 直方图是将数据组织成一组预定义仓的收集计数
• 当我们说数据时，我们并不把它限制为强度值（正如我们在前面的教程中看到的）。收集的数据可以是您发现有用的描述您的图像的任何功能。
• 我们来看一个例子。假设矩阵包含图像的信息（即范围内的强度）：0−255

• 如果我们想以有组织的方式计算这些数据会怎么样？由于我们知道这种情况下的信息值范围是256个值，所以我们可以在子部分（称为bins）中划分我们的范围，如：
  

我们可以保持落在每个范围内的像素数量。将其应用于上述示例，我们得到下面的图像（x轴表示bins和轴y表示每个像素的数目）。

• 这只是一个简单的直方图的例子，为什么它是有用的。直方图不仅可以保持颜色强度的计数，还可以保持我们想要测量的任何图像特征（即梯度，方向等）。
• 我们来确定直方图的一些部分：

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：每个暗淡的细分数。在我们的例子中，bin = 16
3. range：要测量的值的限制。在这种情况下：range = [0,255]

如果你想计算两个功能怎么办？在这种情况下，您生成的直方图将是一个3D图（其中x和y将为和  ，而z将每个组合的计数。这同样适用于更多的功能（当然会变得更棘手）。

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个维度。我们将在下面的代码中看到它！

Code

• 这个程序是做什么的？加载图像使用函数cv :: split将图像分解为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
• 可下载的代码：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)
{
  Mat src, dst;
  String imageName( "../data/lena.jpg" ); // by default
  if (argc > 1)
  {
      imageName = argv[1];
  }
  src = imread( imageName, IMREAD_COLOR );
  if( src.empty() )
    { return -1; }
  vector<Mat> bgr_planes;
  split( src, bgr_planes );
  int histSize = 256;
  float range[] = { 0, 256 } ;
  const float* histRange = { range };
  bool uniform = true; bool 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 );
  // Draw the histograms for B, G and R
  int hist_w = 512; int 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  );
  }
  namedWindow("calcHist Demo", WINDOW_AUTOSIZE );
  imshow("calcHist Demo", histImage );
  waitKey(0);
  return 0;
}

说明

• 创建必要的矩阵：
  

Mat src，dst;

• 加载源图像
  

src = imread( argv[1], 1 );
if( !src.data )
  { return -1; }

• 在三个R，G和B平面中分离源图像。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（这种情况下有三个通道），输出是Mat的向量）

• 现在我们准备开始为每个平面配置直方图。由于我们正在使用B，G和R planes，我们知道我们的值将在间隔范围内[0,255]
  

建立箱数（5，10 ...）：

int histSize = 256; //from 0 to 255

设置值的范围（如我们所说，在0到255之间）

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

我们希望我们的箱子具有相同的尺寸（均匀），并在开始时清除直方图，所以：

bool uniform = true ; bool accumulate = false ;

最后，我们创建Mat对象来保存直方图。创建3（每个planes一个）：

Mat b_hist，g_hist，r_hist;

我们继续使用OpenCV函数cv :: calcHist计算直方图：

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）;

其中的论点是：

1. **＆bgr_planes [0]：**源数组（s）
2. 1：源数组的数量（在这种情况下，我们正在使用1.我们可以在这里输入一个数组列表）
3. 0：要测量的通道（dim）。在这种情况下，它只是强度（每个阵列是单通道），所以我们只写0。
4. Mat（）：在源数组上使用的掩码（指示要忽略的像素的零）。如果未定义，则不使用它
5. b_hist：要存储直方图的Mat对象
6. 1：直方图维度。
7. histSize：每个使用的维数的数量
8. histRange：每个维度要测量的值的范围
9. uniform和accumulate：纸箱尺寸相同，直方图在开始时清除。

• 创建一个图像以显示直方图：
  

// Draw the histograms for R, G and B
int hist_w = 512; int 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cv ::归一化直方图，使其值落在由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() );

此函数接收这些参数：

1. b_hist：输入数组
2. b_hist：输出归一化数组（可以相同）
3. 0和** histImage.rows：对于这个例子，它们是对r_hist **的值进行归一化的下限和上限
4. NORM_MINMAX：指示归一化类型的参数（如上所述，它调整之前设置的两个限制之间的值）
5. ** - 1：**意味着输出归一化数组将与输入的类型相同
6. Mat（）：可选掩码

• 最后，观察到访问bin（在这种情况下在这个1D直方图中）：
  

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：

b_hist.at < float >（i）

其中 i 表示尺寸。如果它是一个二维直方图，我们将使用如下：

b_hist.at<float>( i, j )

最后我们显示直方图，等待用户退出：

namedWindow("calcHist Demo", WINDOW_AUTOSIZE );
imshow("calcHist Demo", histImage );
waitKey(0);
return 0;

结果

• 作为输入参数使用如下所示的图像：
  

• 生成以下直方图：