Opencv学习笔记(8)——直方图统计
Opencv学习笔记(8)——直方图统计
本章我将为大家介绍直方图的相关知识，相关内容分别有：直方图均衡化、直方图计算、直方图比较，直方图反向投射。
一.直方图均衡化
1.相关理论
1.什么是直方图(Histogram)？
图像直方图，是指对整个图像像在灰度范围内的像素值(0~255)统计出现频率次数，据此生成的直方图，称为图像直方图-直方图。直方图反映了图像灰度的分布情况。是图像的统计学特征。
2.直方图均衡化
是一种提高图像对比度的方法，拉伸图像灰度值范围。
如何实现，通过上一课中的remap我们知道可以将图像灰度分布从一个分布映射到另外一个分布，然后在得到映射后的像素值即可。
2.相关API应用
cv::equalizeHist
equalizeHist(
InputArray src,//输入图像，必须是8-bit的单通道图像
OutputArray dst// 输出结果
)
3.程序示例
#include运行效果：
二.直方图计算
1.相关原理
1.直方图概念
上述直方图概念是基于图像像素值，其实对图像梯度、每个像素的角度、等一切图像的属性值，我们都可以建立直方图。这个才是直方图的概念真正意义，不过是基于图像像素灰度直方图是最常见的。
直方图最常见的几个属性：
- dims 表示维度，对灰度图像来说只有一个通道值dims=1
- bins 表示在维度中子区域大小划分，bins=256，划分为256个级别
- range 表示值得范围，灰度值范围为[0~255]之间
2.相关API说明
1.cv::split
split(// 把多通道图像分为多个单通道图像
const Mat &src, //输入图像
Mat* mvbegin）// 输出的通道图像数组
2.cv::calcHist
calcHist(
const Mat* images,//输入图像指针
int images,// 图像数目
const int* channels,// 通道数
InputArray mask,// 输入mask，可选，不用则输入Mat()
OutputArray hist,//输出的直方图数据
int dims,// 维数
const int* histsize,// 直方图级数
const float* ranges,// 值域范围
bool uniform,// true by default,是否归一化
bool accumulate// false by defaut，是否累计各通道值
)
3. 程序示例
#include运行效果：
三.直方图比较
1.相关原理
1.直方图比较方法-概述
对输入的两张图像计算得到直方图H1与H2，归一化到相同的尺度空间
然后可以通过计算H1与H2的之间的距离得到两个直方图的相似程度进
而比较图像本身的相似程度。Opencv提供的比较方法有四种：
- Correlation 相关性比较
- Chi-Square 卡方比较
- Intersection 十字交叉性(无法直观显示差距，不建议使用）
- Bhattacharyya distance 巴氏距离
2.相关性计算(CV_COMP_CORREL)
3.卡方计算(CV_COMP_CHISQR)
4.十字计算(CV_COMP_INTERSECT)
5.巴氏距离计算(CV_COMP_BHATTACHARYYA )
2.相关API
1.直方图比较相关步骤
- 首先把图像从RGB色彩空间转换到HSV色彩空间cvtColor
- 计算图像的直方图，然后归一化到[0~1]之间calcHist和normalize;
- 使用上述四种比较方法之一进行比较compareHist
2.cv::compareHist
compareHist(
InputArray h1, // 直方图数据，下同
InputArray H2,
int method// 比较方法，上述四种方法之一
)
3.程序示例
#include 运行效果:
四.直方图反向投影
1.相关原理
1.反向投影
反向投影是一种记录给定图像中的像素点如何适应直方图模型像素分布的方式，简单来讲，反向投影就是首先计算某一特征的直方图模型，然后使用模型去寻找图像中存在的特征。反向投影在某一位置的值就是原图对应位置像素值在原图像中的总数目。
具体形象理解见博客:opencv学习(三十九)之反向投影calcBackProject()
- 反向投影是反映直方图模型在目标图像中的分布情况。
- 简单点说就是用直方图模型去目标图像中寻找是否有相似的对象。通常用HSV色彩空间的HS两个通道直方图模型。
2.实施步骤
- 1.建立直方图模型
- 2.计算待测图像直方图并映射到模型中
- 3.从模型反向计算生成图像
2.相关API
1.处理步骤
- 加载图片imread。
- 将图像从RGB色彩空间转换到HSV色彩空间cvtColor。
- 计算直方图和归一化calcHist与normalize。
注：Mat与MatND其中Mat表示二维数组，MatND表示三维或者多维数据，此处均可以用Mat表示。 - 计算反向投影图像 - calcBackProject。
2.cv::normalize
//该函数归一化输入数组使它的范数或者数值范围在一定的范围内。
normalize(
InputArray src,//输入数组
OutputArray dst, // 输出数组，支持原地运算
double alpha, // range normalization模式的最小值
doublebeta, //range normalization模式的最大值，不用于norm normalization(范数归一化)模式。
int norm_type, // 归一化的类型
int dtype=-1, // dtype为负数时，输出数组的type与输入数组的type相同
InputArray mask=noArray()// 操作掩膜，用于指示函数是否仅仅对指定的元素进行操作。
)
Parameters:
src
输入数组
dst
输出数组，支持原地运算
alpha
range normalization模式的最小值
beta
range normalization模式的最大值，不用于norm normalization(范数归一化)模式。
normType
归一化的类型，可以有以下的取值：
NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用。
NORM_INF: 此类型的定义没有查到，根据OpenCV 1的对应项，可能是归一化数组的C-范数(绝对值的最大值)
NORM_L1 : 归一化数组的L1-范数(绝对值的和)
NORM_L2: 归一化数组的(欧几里德)L2-范数
dtype
dtype为负数时，输出数组的type与输入数组的type相同；
否则，输出数组与输入数组只是通道数相同，而tpye=CV_MAT_DEPTH(dtype).
mask
操作掩膜，用于指示函数是否仅仅对指定的元素进行操作。
3.cv::calcBackProjection()
calcBackProjection()函数共有三种形式，根据传入参数的不同选择不同的调用，为重载函数。
void cv::calcBackProject ( const Mat * images,
int nimages,
const int* channels,
InputArray hist,
OutputArray backProject,
const float** ranges,
double scale = 1,
bool uniform = true
)
参数解释：
const Mat* images:输入图像，图像深度必须位CV_8U,CV_16U或CV_32F中的一种，尺寸相同，每一幅图像都可以有任意的通道数
int nimages:输入图像的数量
const int* channels:用于计算反向投影的通道列表，通道数必须与直方图维度相匹配，第一个数组的通道是从0到image[0].channels()-1,第二个数组通道从图像image[0].channels()到image[0].channels()+image[1].channels()-1计数
InputArray hist:输入的直方图，直方图的bin可以是密集(dense)或稀疏(sparse)
OutputArray backProject:目标反向投影输出图像，是一个单通道图像，与原图像有相同的尺寸和深度
const float ranges**:直方图中每个维度bin的取值范围
double scale=1:可选输出反向投影的比例因子
bool uniform=true:直方图是否均匀分布(uniform)的标识符，有默认值true
3.程序示例
#include (i) * (400 / 255)))),
Point(i*bin_w, hist_h),
Scalar(0, 0, 255), -1);//绘制矩形来绘制直方分布图
}
imshow("Histogram", histImage);
return;
}
运行效果：
至此，Opencv中关于直方图介绍到此结束。