OpenCV3入门（十一）图像直方图

1、直方图的概念

灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像元的个数。确定图像像素的灰度值范围，以适当的灰度间隔为单位将其划分为若干等级，以横轴表示灰度级，以纵轴表示每一灰度级具有的像素数或该像素占总像元数的比例值，做出的条形统计图即为灰度直方图。灰度直方图：横坐标是灰度，纵坐标是该灰度在图像中出现的次数。

图像直方图可以表示图像中亮度分布，能借助直方图了解需要如何调整亮度分布，直方图中左侧表示黑色、较暗的区域，右侧表示白色、较亮的区域。计算机视觉领域常借助直方图来实现图像的二值化。

2、OpenCV直方图

OpenCV使用calcHist函数实现直方图计算，函数原型如下图。

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 );

参数详解：

onst Mat* images：输入图像组

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

OutputArray hist：输出的直方图的数组

int dims：直方图的维度，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：统计像素值的区间，每个维度数值的取值范围

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

测试代码如下：

Mat src = imread("D:\\WORK\\5.OpenCV\\LeanOpenCV\\pic_src\\img1.bmp");
imshow("原图", src);

MatND dstHist;
int dims = 1;
float hranges[] = { 0,255 };
const float *ranges[]= { hranges };
int size = 256;
int channels = 0;

calcHist(&src, 1, &channels, Mat(), dstHist, dims, &size, ranges);

double maxVal = 0;
double minVal = 0;
cv::minMaxLoc(dstHist, &minVal, &maxVal, 0, 0);
Mat histImg(size, size, CV_8U, cv::Scalar(0));
int hpt = static_cast<int>(0.9*size);

for (int h = 0; h < 256; h++)
{
    float binVal = dstHist.at<float>(h);
    int intensity = static_cast<int>(binVal * hpt / maxVal);
    cv::line(histImg, Point(h, size-1), Point(h+1, size-1 - intensity), Scalar::all(255));
}

imshow("直方图", histImg);
waitKey(0);

输出结果为：

如果是彩色图像，则可以计算RGB通道各自的直方图。

测试代码如下：

Mat src = imread("D:\\WORK\\5.OpenCV\\LeanOpenCV\\pic_src\\pic5.bmp");
imshow("原图", src);

int histsize = 256;
float range[] = { 0,256 };
const float*histRanges = { range };

vector<Mat>bgr_planes;
split(src, bgr_planes);
Mat b_hist, g_hist, r_hist;
calcHist(&bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histsize, &histRanges, true, false);
calcHist(&bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histsize, &histRanges, true, false);
calcHist(&bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histsize, &histRanges, true, false);

Mat histImg = Mat::zeros(256, 256*3, CV_8UC3);
for (int h = 0; h < 256; h++)
{
    float binVal_r = r_hist.at<float>(h);
    float binVal_g = g_hist.at<float>(h);
    float binVal_b = b_hist.at<float>(h);

    rectangle(histImg, Point(h, 256 - 1), Point(h + 1, 256 - binVal_r), Scalar(255, 0, 0));
    rectangle(histImg, Point(h+255, 256 - 1), Point(h +255+ 1, 256 - binVal_g), Scalar(0, 255, 0));
    rectangle(histImg, Point(h+510, 256 - 1), Point(h + 510+ 1, 256 - binVal_b), Scalar(0, 0, 255));
}
imshow("直方图", histImg);

输出结果为：

3、直方图均衡化

直方图均衡化即灰度均衡化，通过灰度映射，使输入图像的灰度转换为在每一级灰度上都有近似相同的点数分布，这样输出的直方图就是均匀的，图像获得较高的对比度和较大的动态范围。直方图均衡化对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。使用直方图均衡化技术来处理图像，能扩展图像的动态范围，扩宽灰度等级范围，提高对比度。

直方图均衡化可以调整较暗的图片，图片较暗，动态范围低，直方图灰度等级偏暗，均衡化后灰度基本平均分布。。

使用直方图均衡化，在处理较暗的图像时特别有效，如下测试。

Mat blue, green, red, dst;
blue  = bgr_planes[0];
green = bgr_planes[1];
red   = bgr_planes[2];

equalizeHist(blue, blue);
equalizeHist(green, green);
equalizeHist(red, red);
merge(bgr_planes, 3, dst);
imshow("均衡化图", dst);

vector<Mat> bgr_planes2;
split(dst, bgr_planes2);
calcHist(&bgr_planes2[0], 1, 0, Mat(), b_hist, 1, &histsize, &histRanges, true, false);
calcHist(&bgr_planes2[1], 1, 0, Mat(), g_hist, 1, &histsize, &histRanges, true, false);
calcHist(&bgr_planes2[2], 1, 0, Mat(), r_hist, 1, &histsize, &histRanges, true, false);

histImg = Mat::zeros(256, 256 * 3, CV_8UC3);
for (int h = 0; h < 256; h++)
{
    float binVal_r = r_hist.at<float>(h);
    float binVal_g = g_hist.at<float>(h);
    float binVal_b = b_hist.at<float>(h);

    rectangle(histImg, Point(h, 256 - 1), Point(h + 1, 256 - binVal_r), Scalar(255, 0, 0));
    rectangle(histImg, Point(h + 255, 256 - 1), Point(h + 255 + 1, 256 - binVal_g), Scalar(0, 255, 0));
    rectangle(histImg, Point(h + 510, 256 - 1), Point(h + 510 + 1, 256 - binVal_b), Scalar(0, 0, 255));
}