以下内容摘自OpnCV2 计算机视觉编程手册
引言
图像是由像素组成的，像素值在图像中的分布情况是这幅图像的一个重要特征，因此可以使用直方图对像素值进行统计。
直方图就是一个表，它给出一幅图像或一组图像拥有给定值的像素的数目。
例如：在一个单通道的灰度图像中，灰度值的值介于0-255之间，我们统计该图像的直方图就可以由256个容器，0号容器表示灰度值为0的像素的数目，1号容器表示灰度值为1的像素的数目，依次类推。
前置内容
彩色图像有RGB三个通道，每个通道的强度值都是一个8位的uchar值，范围为0-255，那么一个像素的颜色组合就有256256256中，大于1600万个，为了降低分析的复杂度，需要降低颜色的数目。
比如：将每个维度的颜色数降低为原来的1/8，那么总的颜色数就是323232，即像素值为0-7的都变为4，像素值8-15的都变为12，依次类推
将每个维度的颜色数降低为原来的1/n,处理每个像素的代码如下：
data[i]=data[i]/n*n+n/2;
直方图的用途
获取直方图并不难，我们只要指定图像、通道、范围、最大最小像素值等参数，调用cv::calcHist函数即可得到，而直方图只是代表统计信息，如何利用直方图实现我们的图像处理算法才是重点，在该书的第4章中给出了直方图的几种用法，这里进行一个简单的总结和概括。
（1）直方图均衡化
如果我们对一些图片计算直方图，就会发现有些图片它的像素值仅仅分布在某一个范围内，或者可能是某些颜色值出现的频率过高，这两种情况都会使得图像的质量变差，事实上，我们认为一副高质量的图像应该是平均使用所有的像素强度。
以灰度图为例，在一个完全均衡的直方图中，每一个容器由同等数量的像素，比如我的一张图片由25600个像素，那么每个容器就都应该有100个像素。
对一幅普通的图片，我们可以使用equalize()函数将其均衡化，当然直方图无法完全均衡。
equalize()函数的原理就是使用了查找表将原图的像素值进行了重映射：
查找表实际上就是一个简单的一对一或者多对一的函数，定义了如何将像素值转化为新的像素值，本质上是一个一维数组。
使用查找表的过程为：
- 针对灰度图创建一个查找表：
cv::Mat lookup(1,256,CV_8U); - 建立映射关系：
新的灰度值=lookup[旧的灰度值]例如：lookup.at< uchar >(i)=255-i这种映射关系表示原图中像素值为i的像素的值要变为255-i - 使用
cv::LUT()函数利用查找表生成新的图像
我们可以使用查找表技术去修改图像的像素值。
（2）利用反投影直方图检测特定的图像内容
如果有一张图片，希望检测出图片中的特定的内容，可能是一个物体，就可以使用这种方法。
主要过程如下：
- 选择感兴趣区域，区域中包含目标物体的一份样板，比如说图片中有很多个苹果，可以先选择其中一个苹果所在区域作为感兴趣区域。
- 提取感兴趣区域的直方图，并将直方图归一化，使用到的归一化函数为
cv::normalize()，得到的直方图就代表了目标物体的像素特征，直方图归一化后，每个容器内的值就是像素数目与总数目的比值，我们可以把归一化后的直方图看做一个概率函数，它给出了某个像素属于该物体的概率。 - 使用
cv::calcBackProject()函数得到输出图像，函数就是把原图片中每一个像素值替换成了概率值，这个概率值就是根据上一步的归一化的直方图转换得到的。 - 使用
cv::threshold()函数对输出图像二值化，二值化图像可以清楚的看到哪里可能是该物体。
使用这种方法最好是用带颜色信息的RGB图像，当然颜色信息要进行缩减，其他步骤需要调用的函数都不变，只不过RGB图像需要对3个通道统计直方图，因此，相关的函数参数需要改变。
（3）利用反投影直方图和均值漂移算法查找物体
假设我们已经知道第一张照片中物体的近似位置，那么我们可以从最初的位置开始，迭代移动，找到第二张照片中找到物体的所在位置。
主要过程如下：
- 在第一张照片中使用(2)所示的方法获得物体近似位置处的直方图，近似位置使用cv::Rect表示
- 利用上一步得到的直方图和(2)所示的方法输出第二张照片的反投影(二值化图像)
- 创建一个cv::TermCriteria 对象，该对象中设置了迭代的最大次数和窗口中心位移值，最后，使用cv::meanShift函数利用均值漂移算法找到目标物体所在的新位置，算法的原理就是找到预定义窗口(第一步中的近似位置)中反投影输出图的数据重心，然后将窗口中心移动到数据重心处，然后再重复这个过程，直到窗口重心收敛到一个稳定的点处。
(4) 通过比较直方图检索相似图片
通过比较两张图片的直方图来获得两张图片的相似性
- 计算两个图片的直方图
- 使用cv::compareHist()函数比较两个图像的相似度，函数会返回一个分数表明相似度
比较方法有很多种，可以通过函数的参数指定，这里不再赘述。