Opencv回顾--直方图统计和直方图均衡化

主要函数
直方图计算

void calcHist(const Mat* images, int nimages, const int* channels, InputArray mask, OutputArray hist, int dims, const int* histSize, const float** ranges, bool uniform=true, bool accumulate=false )

onst Mat* images：输入图像

 int nimages：输入图像的个数

const int* channels：需要统计直方图的第几通道

InputArray mask：掩膜，，计算掩膜内的直方图  ...Mat()

OutputArray hist:输出的直方图数组

int dims：需要统计直方图通道的个数

const int* histSize：指的是直方图分成多少个区间，就是 bin的个数

const float** ranges： 统计像素值得区间

bool uniform=true::是否对得到的直方图数组进行归一化处理

bool accumulate=false：在多个图像时，是否累计计算像素值得个数

归一化数据。该函数分为范围归一化与数据值归一化

void cv::normalize(InputArry src,InputOutputArray dst,double alpha=1,double beta=0,int norm_type=NORM_L2,int dtype=-1,InputArray mark=noArry())
src               输入数组；
dst               输出数组，数组的大小和原数组一致；
alpha           1,用来规范值，2.规范范围，并且是下限；
beta             只用来规范范围并且是上限；
norm_type   归一化选择的数学公式类型；
dtype           当为负，输出在大小深度通道数都等于输入，当为正，输出只在深度与输如不同，不同的地方游dtype决定；
mark            掩码。选择感兴趣区域，选定后只能对该区域进行操作。

几种归一化方式

 vector positiveData = { 2.0, 8.0, 10.0 }; 输入的值
    vector normalizedData_l1, normalizedData_l2, normalizedData_inf, normalizedData_minmax;

    // Norm to probability (total count)
    // sum(numbers) = 20.0
    // 2.0      0.1     (2.0/20.0)
    // 8.0      0.4     (8.0/20.0)
    // 10.0     0.5     (10.0/20.0)
    normalize(positiveData, normalizedData_l1, 1.0, 0.0, NORM_L1);

    // Norm to unit vector: ||positiveData|| = 1.0
    // 2.0      0.15
    // 8.0      0.62
    // 10.0     0.77
    normalize(positiveData, normalizedData_l2, 1.0, 0.0, NORM_L2);

    // Norm to max element
    // 2.0      0.2     (2.0/10.0)
    // 8.0      0.8     (8.0/10.0)
    // 10.0     1.0     (10.0/10.0)
    normalize(positiveData, normalizedData_inf, 1.0, 0.0, NORM_INF);

    // Norm to range [0.0;1.0]
    // 2.0      0.0     (shift to left border)
    // 8.0      0.75    (6.0/8.0)
    // 10.0     1.0     (shift to right border)
    normalize(positiveData, normalizedData_minmax, 1.0, 0.0, NORM_MINMAX);

写的案例

using namespace cv;
using namespace std;
const int bins = 256;
Mat src;
const char* winTitle = "input image";
void showHistogram();
int main(int argc, char** argv) {
	src = imread("12345.jpg");
	if (src.empty()) {
		printf("could not load image...\n");
		return 0;
	}
	namedWindow(winTitle, WINDOW_AUTOSIZE);
	imshow(winTitle, src);
	showHistogram();
	waitKey(0);
	return 0;
}

void showHistogram() {
	// 三通道分离
	vector bgr_plane;
	split(src, bgr_plane);
	// 定义参数变量
	const int bins[1] = { 256 };
	float hranges[2] = { 0,255 };
	const float* ranges[1] = { hranges };
	Mat b_hist;
	Mat g_hist;
	Mat r_hist;
	// 计算Blue, Green, Red通道的直方图
	calcHist(&bgr_plane[0], 1, 0, Mat(), b_hist, 1, bins, ranges);
	//CV_EXPORTS void calcHist(
	//	const Mat* images,      输入图像用于计算的图像
	//	int nimages,       	    输入的图像个数 
	//	const int* channels,    需要统计直方图的第几通道
	//	InputArray mask,        掩膜，，计算掩膜内的直方图  ...Mat()
	//	OutputArray hist,       输出的直方图数组
	//	int dims,               需要统计直方图通道的个数
	//	const int* histSize,    指的是直方图分成多少个区间，就是 bin的个数
	//	const float** ranges,   统计像素值得区间
	//	bool uniform = true,    是否对得到的直方图数组进行归一化处理
	//	bool accumulate = false 在多个图像时，是否累计计算像素值得个数
	//);
	//ranges：用来进行统计的范围。比如 float rang1[] = {0, 20};float rang2[] = {30, 40};
	//const float*rangs[] = {rang1, rang2};那么就是对0，20和30，40范围的值进行统计。
	calcHist(&bgr_plane[1], 1, 0, Mat(), g_hist, 1, bins, ranges);
	calcHist(&bgr_plane[2], 1, 0, Mat(), r_hist, 1, bins, ranges);
	// 显示直方图
	int hist_w = 512;
	//展示用图的宽
	int hist_h = 400;
	//展示用图的高
	int bin_w = cvRound((double)hist_w / bins[0]);
	//单位距离 规整到256个点的基准单位
	Mat histImage = Mat::zeros(hist_h, hist_w, CV_8UC3);
	
	//建立一个展示用图
	// 归一化直方图数据
	normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());
	//归一化整体数据将统计的数值规整到0到400
	normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());
	normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());
	// 绘制直方图曲线
	//开始循环 一共256个bin 从第一个点到第二个点做一条线 继续从第n个点到n+1个点画线
	for (int i = 1; i < bins[0]; i++) {
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(b_hist.at(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(b_hist.at(i))), Scalar(255, 0, 0), 2, 8, 0);
		//第一个点 X坐标 单位距离1*bin_w Y坐标 图像高减去当前bin归一化后的值
		//第一个点 X坐标 单位距离2*bin_w Y坐标 图像高减去当前归一化后的值
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(g_hist.at(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(g_hist.at(i))), Scalar(0, 255, 0), 2, 8, 0);
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(r_hist.at(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(r_hist.at(i))), Scalar(0, 0, 255), 2, 8, 0);
	}
	// 显示直方图
	namedWindow("Histogram Demo", WINDOW_AUTOSIZE);
	imshow("Histogram Demo", histImage);
}

均衡化直方图
函数功能：直方图均衡化，该函数能归一化图像亮度和增强对比度用来提升图像质量
直方图均衡化是怎样做到的?
均衡化指的是把一个分布 (给定的直方图) 映射 到另一个分布 (一个更宽更统一的强度值分布), 所以强度值分布会在整个范围内展开.

void equalizeHist( InputArray src, OutputArray dst );
src 8位单通道图像。
dst与src具有相同大小和类型的目标图像。

图像直方图比较
图像直方图比较，就是计算两幅图像的直方图数据，比较两组数据的相似性，从而得到两幅图像之间的相似程度，直方图比较在早期的CBIR中是应用很常见的技术手段，通常会结合边缘处理、词袋等技术一起使用。
OpenCV中直方图比较的API很简单

compareHist(hist1, hist2, method)

CV_EXPORTS_W double compareHist( InputArray H1, InputArray H2, int method );

method 值可以是HistCompMethods

enum HistCompMethods {
	相关性比较（Correlation）
    	HISTCMP_CORREL=0,
	Chi-Square（卡方比较）
	    HISTCMP_CHISQR=1,
	Intersection（十字交叉性）
 	   HISTCMP_INTERSECT=2,
	Bhattacharyya distance（巴氏距离）
   	 HISTCMP_BHATTACHARYYA=3,
	Alternative Chi-Square （代替卡方 ？这个不清楚）
  	  HISTCMP_CHISQR_ALT=4,
	Kullback-Leibler divergence（Kullback-Leibler散度）
  	  HISTCMP_KL_DIV=5
  	  }