OpenCV深入学习(5)--直方图之calcHist使用

       这次再深入学习一下calcHist函数，即用于计算直方图的函数，主要是分析一下该函数的众多的参数，看看应该如何使用，先给出一段代码，其中包括两部分，一部分来自opencv_tutorials中的例子，一部分来自opencv2refman中，都进行了修改，opencv版本为2.3.1。

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>

#pragma comment(lib, "opencv_core231d.lib")
#pragma comment(lib, "opencv_highgui231d.lib")
#pragma comment(lib, "opencv_imgproc231d.lib")

using namespace cv;
using namespace std;

#define HIST_DIM1

int main( int argc, char** argv )
{
#ifdef HIST_DIM1
//----------------------example 1-------------------------------//
	Mat src, dst;
	/// Load image
	src = imread("d:/picture/lena.jpg");

	if( !src.data )
	{ 
		cout<<"load image failed"<<endl;
		return -1; 
	}

	/// Separate the image in 3 places ( R, G and B )
	vector<Mat> rgb_planes;
#define SHOW_HSV
#ifdef SHOW_HSV
	Mat hsv;
	cvtColor(src, hsv, COLOR_BGR2HSV);
	split(hsv, rgb_planes ); 
#else
	split(src, rgb_planes ); 
#endif
	/// Establish the number of bins 
	int histSize = 256;

	/// Set the ranges ( for R,G,B) )
	float range[] = { 0, 255 } ; 
	const float* histRange = { range };

	bool uniform = true; bool accumulate = false;

	Mat r_hist, g_hist, b_hist;

	/// Compute the histograms:
	calcHist( &rgb_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );
	calcHist( &rgb_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );
	calcHist( &rgb_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );

	// Draw the histograms for R, G and B
	int hist_w = 600; int hist_h = 400;
	int bin_w = cvRound( (double) hist_w/histSize );

	Mat rgb_hist[3];
	for(int i=0; i<3; ++i)
	{
		rgb_hist[i] = Mat(hist_h, hist_w, CV_8UC3, Scalar::all(0));
	}
	
	Mat histImage(hist_h, hist_w, CV_8UC3, Scalar(0,0,0));

	/// Normalize the result to [ 0, histImage.rows-10]
	normalize(r_hist, r_hist, 0, histImage.rows-10, NORM_MINMAX);
	normalize(g_hist, g_hist, 0, histImage.rows-10, NORM_MINMAX);
	normalize(b_hist, b_hist, 0, histImage.rows-10, NORM_MINMAX);

	/// Draw for each channel 
	for( int i = 1; i < histSize; i++ )
	{ 
		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), 1); 
		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), 1); 
		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), 1);       
	}

	for (int j=0; j<histSize; ++j)
	{
		int val = saturate_cast<int>(r_hist.at<float>(j));
		rectangle(rgb_hist[0], Point(j*2+10, rgb_hist[0].rows), Point((j+1)*2+10, rgb_hist[0].rows-val), Scalar(0,0,255),1,8);
		
		val = saturate_cast<int>(g_hist.at<float>(j));
		rectangle(rgb_hist[1], Point(j*2+10, rgb_hist[1].rows), Point((j+1)*2+10, rgb_hist[1].rows-val), Scalar(0,255,0),1,8);
		
		val = saturate_cast<int>(b_hist.at<float>(j));
		rectangle(rgb_hist[2], Point(j*2+10, rgb_hist[2].rows), Point((j+1)*2+10, rgb_hist[2].rows-val), Scalar(255,0,0),1,8);
	}

	/// Display 
	namedWindow("calcHist Demo", CV_WINDOW_AUTOSIZE );
	namedWindow("wnd");
	imshow("calcHist Demo", histImage );
	imshow("wnd", src);

	imshow("R", rgb_hist[0]);
	imshow("G", rgb_hist[1]);
	imshow("B", rgb_hist[2]);
#else
//----------------------example 2-------------------------------//
	Mat src, hsv;
	if(!(src=imread("d:/picture/lena.bmp")).data)
		return -1;
	cvtColor(src, hsv, CV_BGR2HSV);
	// Quantize the hue to 30 levels
	// and the saturation to 32 levels
	int hbins = 60, sbins = 64;
	int histSize[] = {hbins, sbins};
	// hue varies from 0 to 179, see cvtColor
	float hranges[] = { 0, 180 };
	// saturation varies from 0 (black-gray-white) to
	// 255 (pure spectrum color)
	float sranges[] = { 0, 256};
	const float*ranges[] = { hranges, sranges };
	MatND hist;
	// we compute the histogram from the 0-th and 1-st channels
	int channels[] = {0, 1};
	calcHist( &hsv, 1, channels, Mat(),hist, 2, histSize, ranges,true, false );
	double maxVal=0;
	minMaxLoc(hist, 0, &maxVal, 0, 0);
	int scale = 8;
	Mat histImg = Mat::zeros(sbins*scale, hbins*scale, CV_8UC3);
	for( int h = 0; h < hbins; h++ )
	{
		for( int s = 0; s < sbins; s++ )
		{
			float binVal = hist.at<float>(h, s);
			int intensity = cvRound(binVal*255/maxVal);
			rectangle( histImg, Point(h*scale, s*scale),Point((h+1)*scale-1, (s+1)*scale-1), Scalar::all(intensity), CV_FILLED);
		}
	}
	namedWindow( "Source", 1 );
	imshow( "Source", src );
	namedWindow( "H-S Histogram", 1 );
	imshow( "H-S Histogram", histImg );
#endif	
//-------------------------------------------------------------------------//	
	waitKey(0);
	destroyAllWindows();
	return 0;
}

上面的例子是对opencv_tutorials以及手册中的计算直方图的程序的修改

其中修改的：
1、原先的程序中对加载的彩色rgb图像的通道有问题(看例子给的图应该是在linux下的，不知道是不是因为linux和windows下加载的不同)，在windows下默认加载的通道排列顺序是B-G-R，
原先的程序中是按照R-G-B顺序计算的直方图所以需要变换一下顺序;
2、原先程序的histImage将参数顺序弄错了，该构造函数的第一个参数是rows行数，对应图像的高度，即hist_h，而不是hist_w,这里同时还将大小变换了一下
看着更舒服一些；
下面是对calcHist函数的参数介绍。

calcHist--计算矩阵的直方图函数;
--------------------------------------------------------------------------------------------------------------

###---given in manual---###
void calcHist(const Mat*arrays, int narrays, const int* channels, InputArray mask, OutputArray hist, int dims,
    const int* histSize, const float** ranges, bool uniform=true, boolaccumulate=false)
void calcHist(const Mat*arrays, int narrays, const int* channels, InputArray mask, SparseMat& hist, int dims,
    const int* histSize, const float** ranges, bool uniform=true, boolaccumulate=false)

###---declaration in imgproc.hpp---###
//! computes the joint dense histogram for a set of images.
CV_EXPORTS 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 );

//! computes the joint sparse histogram for a set of images.
CV_EXPORTS void calcHist( const Mat* images, int nimages, const int* channels, InputArray mask, SparseMat& hist, int dims,
      const int* histSize, const float** ranges, bool uniform=true, bool accumulate=false );

CV_EXPORTS_W void calcHist( InputArrayOfArrays images, const vector<int>& channels, InputArray mask, OutputArray hist,
       const vector<int>& histSize, const vector<float>& ranges,bool accumulate=false );

--------------------------------------------------------------------------------------------------------------
手册中和头文件中的函数声明参数稍有不同，主要是前两个参数，手册中是array和narrays而头文件声明中是images和nimages，其实是一样，以手册为准：
这里有一个对opencv_tutorials.pdf即opencv教程的一个翻译。
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/histograms/histogram_calculation/histogram_calculation.html

arrays – Source arrays. They all should have the same depth, CV_8U or CV_32F , and the same size. Each of them can have an arbitrary number of channels.
    - 源输入（图像）数组，必须是相同深度的CV_8U或者CV_32F(即uchar或者float),相同大小，每一个可以是任意通道的;
    [上面的例子1中每次计算一个单通道图像，所以直接对图像取地址赋给了该参数]

narrays – Number of source arrays.
    - 源输入数组中的元素个数;
    [例子1中只计算一幅图像的直方图，所以这个参数都是1]

channels – List of the dims channels used to compute the histogram. The first array channels are enumerated from 0 to arrays[0].channels()-1 ,   the second array channels are counted from arrays[0].channels() to arrays[0].channels() + arrays[1].channels()-1, and so on.
    - 用来计算直方图的通道维数数组,第一个数组的通道由0到arrays[0].channels()-1列出，第二个数组的通道从arrays[0].channels()到arrays[0].channels()+arrays[1].channels()-1以此类推;
    [例子1中为0,即第0个通道？？]

mask – Optional mask. If the matrix is not empty, it must be an 8-bit array of the same size as arrays[i].  The non-zero mask elements mark the array elements counted in the histogram.
    -可选的掩膜，如果该矩阵不是空的，则必须是8位的并且与arrays[i]的大小相等，掩膜的非零值标记需要在直方图中统计的数组元素;
    [例子1中为空的Mat()]

hist – Output histogram, which is a dense or sparse dims -dimensional array.
    -输出直方图，是一个稠密或者稀疏的dims维的数组;
    [例子1中为保存直方图的Mat]

dims – Histogram dimensionality that must be positive and not greater than CV_MAX_DIMS (equal to 32 in the current OpenCV version).
    -直方图的维数，必须为正，并且不大于CV_MAX_DIMS(当前的OpenCV版本中为32，即最大可以统计32维的直方图);
    [例子1中为1，因为统计的是每幅单通道图像的灰度直方图]

histSize – Array of histogram sizes in each dimension.
    - 用于指出直方图数组每一维的大小的数组，即指出每一维的bin的个数的数组;
    [因为例子1只有1维，所以例子1中直接对int取地址作为参数，即该维的bin的个数为256]

ranges – Array of the dims arrays of the histogram bin boundaries in each dimension. When the histogram is uniform ( uniform =true),   then for each dimension i it is enough to specify the lower (inclusive) boundary of the 0-th histogram bin and the upper(exclusive)  boundary for the last histogram bin histSize[i]-1. That is, in case of a uniform histogram each of ranges[i] is an array of 2 elements.   When the histogram is not uniform ( uniform=false ), then each of ranges[i] contains histSize[i]+1 elements:.  The array elements, that are not between  and  , are not counted in the histogram.
    - 用于指出直方图每一维的每个bin的上下界范围数组的数组，当直方图是均匀的(uniform =true)时，对每一维i指定直方图的第0个bin的下界(包含即[)L0和最后一个即第histSize[i]-1个bin的上界(不包含的即))U_histSize[i]-1，也就是说对均匀直方图来说，每一个ranges[i]都是一个两个元素的数组【指出该维的上下界】。当直方图不是均匀的时，每一个ranges[i]数组都包含histSize[i]+1个元素:L0,U0=L1,U1=L1,...,U_histSize[i]-2 = L_histSize[i]-1,U_histSize[i]-1.不在L0到U_histSize[i]-1之间的数组元素将不会统计进直方图中;
    [在例子1中采用的是均匀直方图，所以范围为0-255]

uniform – Flag indicates that whether the histogram is uniform or not (see above).
    - 直方图是否均匀的标志;【指定直方图每个bin统计的是否是相同数量的灰度级】
    [例子1中为true]

accumulate – Accumulation flag. If it is set, the histogram is not cleared in the beginning when it is allocated.
   This feature enables you to compute a single histogram from several sets of arrays, or to update the histogram in time.
    -累加标志；
    [单幅图像不进行累计所以例子1中为false]

参数中最难理解的应该就是channels和ranges这两个参数，以及histSize和ranges这两个参数的关系，关于histSize和ranges的关系也就涉及了ranges的意义，关于它们的关系在《学习OpenCV中文版》09.10第一版的page:219-220有比较清楚的说明。
【channels参数，自己也不是很明确，等看看该函数的源码之后再说】。

使用上面第一个例子获得的lena的hsv直方图如下：直接在RGB基础上修改的，所以窗口名字对应R-V,G-S,B-H。

手册中该函数的介绍之后有个例子，是计算图像的2维H-S直方图的，就是上面的例子2(稍微进行了一点修改);
这个例子中的参数分别为：
参数1：&hsv，一幅HSV三通道的彩色图像指针；
参数2：1，因为参数1是一幅图像；
参数3：channels，数组包含两个元素:0,1；--指明要统计的是通道0和通道1的数据？？--不确定是否是这样的!
参数4：Mat()，为空，不使用掩膜；
参数5：hist，输出2D直方图，MatND，也就是Mat；
参数6：2，2维直方图；
参数7：histSize，两个元素的数组，指明每一维的bin的个数，上面的例子2中，h的为60，s的为64；
参数8：ranges，指出bin的范围的数组的数组，因为后面的uniform标志为true，也就是均匀直方图，所以每一维由一个两个元素的数组指出上下限；
参数9：true，也就是采用均匀直方图；
参数10：false，不使用累积；
第二个例子给出的2维直方图中，水平的是h分量，垂直的是s分量，下面是lena的H-S直方图图像：

可以看出，h分量也就是H-S直方图的垂直投影集中在0和60左右，对应到hsv空间也就是色相为红色部分，从例子1的h分量直方图以及直观的看lena原始图像也可以看出来，
而s分量，也就是水平投影，集中在中间部分，从例子1的s分量的直方图中也可以看出；
而且如果将这个H-S二维直方图的每一维的bin数量设置的与上面的例1中一样，然后在分别向垂直方向和水平方向投影，获得的两个投影直方图应该与例1中的对应
直方图是一样的。