【opencv450 Image Processing】Histogram Calculation直方图计算

十年一梦实验室

于 2022-03-28 16:28:51 发布

阅读量594

点赞数

分类专栏： opencv 文章标签： c++ opencv 计算机视觉

本文链接：https://blog.csdn.net/cxyhjl/article/details/123798755

版权

opencv 专栏收录该内容

87 篇文章 12 订阅

订阅专栏

Goal

在本教程中，您将学习如何：

使用 OpenCV 函数 cv::split 将图像划分为其对应的平面。

使用 OpenCV 函数 cv::calcHist 计算图像数组的直方图

使用函数 cv::normalize 规范化数组

笔记

在上一个教程（直方图均衡）中，我们讨论了一种特殊的直方图，称为图像直方图。现在我们将考虑它的更一般的概念。继续阅读！

What are histograms?

直方图是收集的数据计数，组织成一组预定义的 bin

当我们说数据时，我们并没有将其限制为强度值（正如我们在前面的教程直方图均衡中看到的那样）。 收集的数据可以是您认为对描述图像有用的任何特征。

让我们看一个例子。想象一个矩阵包含图像的信息（即 0-255 范围内的强度）：

如果我们想以有组织的方式统计这些数据会发生什么？由于我们知道这种情况下的信息值范围是 256 个值，因此我们可以将我们的范围划分为子部分subparts（称为 bin），例如：

[0,255]=[0,15]∪[16,31]∪....∪[240,255]range=bin1∪bin2∪....∪binn=15

我们可以计算落在每个 bini 范围内的像素数。将其应用于上面的示例，我们得到下面的图像（轴 x 表示 bin，轴 y 表示每个 bin 中的像素数）。

这只是直方图如何工作以及为什么有用的一个简单示例。 直方图不仅可以计算颜色强度，还可以计算我们想要测量的任何图像特征（即梯度、方向等）。

让我们识别直方图的某些部分：

dims：要收集数据的参数数量。在我们的示例中， dims = 1 因为我们只计算每个像素的强度值（在灰度图像中）。

bins：是每个dim中的细分数。在我们的示例中，bins = 16

range：要测量的值的限制。在这种情况下：range = [0,255]

如果你想计算两个特征怎么办？在这种情况下，您生成的直方图将是一个 3D 图（其中 x 和 y 将是每个特征的 binx 和 biny，z 将是 (binx,biny) 的每个组合的计数数。这同样适用于更多特征（当然它变得更棘手）。

What OpenCV offers you

出于简单的目的，OpenCV 实现了函数 cv::calcHist ，它计算一组数组（通常是图像或图像平面）的直方图。它可以操作多达 32 个维度。我们将在下面的代码中看到它！

Code

这个程序有什么作用？

加载图像

使用函数 cv::split 将图像拆分为 R、G 和 B 平面

通过调用函数 cv::calcHist 计算每个 1 通道平面的直方图

在窗口中绘制三个直方图

可下载代码：点击这里https://github.com/opencv/opencv/tree/4.x/samples/cpp/tutorial_code/Histograms_Matching/calcHist_Demo.cpp

代码一览：

/**
 * @function calcHist_Demo.cpp
 * @brief 计算直方图Demo code to use the function calcHist
 * @author
 */

#include "opencv2/highgui.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>

using namespace std;
using namespace cv;

/**
 * @function main
 */
int main(int argc, char** argv)
{
    //! [加载图像]
    CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
    Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
    if( src.empty() )
    {
        return EXIT_FAILURE;
    }
    //! [Load image]

    //! [将图像分成 3 个平面（B、G 和 R）]
    vector<Mat> bgr_planes;
    split( src, bgr_planes );
    //! [Separate the image in 3 places ( B, G and R )]

    //! [确定 bin 数量]
    int histSize = 256;
    //! [Establish the number of bins]

    //! [设置范围（用于 B、G、R））]
    float range[] = { 0, 256 }; //上边界是排除在外的
    const float* histRange = { range };
    //! [Set the ranges ( for B,G,R) )]

    //! [设置直方图参数]
    bool uniform = true, accumulate = false;
    //! [Set histogram param]

    //! [计算直方图]
    Mat b_hist, g_hist, r_hist;
    calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );
    calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );
    calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );
    //! [Compute the histograms]

    //! [绘制 B、G 和 R 的直方图]
    int hist_w = 512, hist_h = 400;
    int bin_w = cvRound( (double) hist_w/histSize );

    Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );//黑色背景
    //! [Draw the histograms for B, G and R]

    //! [将结果归一化为 ( 0, histImage.rows )]
    normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    //! [Normalize the result to ( 0, histImage.rows )]

    //! [为每个通道绘制曲线]
    for( int i = 1; i < histSize; i++ )
    {
        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), 2, 8, 0  );
        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), 2, 8, 0  );
        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), 2, 8, 0  );
    }
    //! [Draw for each channel]

    //! [显示]
    imshow("Source image", src );
    imshow("calcHist Demo", histImage );
    waitKey();
    //! [Display]

    return EXIT_SUCCESS;
}

Explanation

加载源图像

    CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
    Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
    if( src.empty() )
    {
        return EXIT_FAILURE;
    }

在其三个 R、G 和 B 平面中分离源图像。为此，我们使用 OpenCV 函数 cv::split :

    vector<Mat> bgr_planes;// Mat 的向量
    split( src, bgr_planes );

我们的输入是要分割的图像（这种情况下是三个通道），输出是 Mat 的向量）

现在我们准备开始为每个平面配置直方图。由于我们正在使用 B、G 和 R 平面，我们知道我们的值将在 [0,255] 区间内

确定 bin 的数量（5、10...）：

int histSize = 256;

设置值的范围（如我们所说，介于 0 和 255 之间）

float range[] = { 0, 256 }; //the upper boundary is exclusive
const float* histRange[] = { range };

我们希望我们的 bin 具有相同的大小（统一）并在开始时清除直方图，因此：

bool uniform = true, accumulate = false;

我们继续使用 OpenCV 函数 cv::calcHist :计算直方图：

    Mat b_hist, g_hist, r_hist;
    calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );
    calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, histRange, uniform, accumulate );
    calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, histRange, uniform, accumulate );

参数是 (C++ code):

&bgr_planes[0]: 源数组

1：源数组的数量（在这种情况下，我们使用 1。我们也可以在此处输入数组列表）

0：要测量的通道（dim）。在这种情况下，它只是强度（每个array 都是单通道），所以我们只写 0。

Mat():要在源数组上使用的掩码（零表示要忽略的像素）。如果未定义，则不使用

b_hist：将存储直方图的 Mat 对象

1：直方图维数。

histSize：每个使用的维度的 bin 数量

histRange：每个维度要测量的值的范围

uniform and accumulate:：bin 大小相同，柱状图在开始时被清除。

创建图像以显示直方图:

    int hist_w = 512, hist_h = 400;
    int bin_w = cvRound( (double) hist_w/histSize );

Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );

请注意，在绘制之前，我们首先对直方图进行 cv::normalize，使其值落在输入参数指示的范围内：

    normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );

此函数接收这些参数（C++ 代码）：

b_hist：输入数组

b_hist：输出归一化数组（可以相同）

0 和 histImage.rows：对于这个例子，它们是标准化 r_hist 值的下限和上限

NORM_MINMAX：表示归一化类型的参数（如上所述，它调整之前设置的两个限制之间的值）

-1：表示输出的归一化数组将与输入的类型相同

Mat()：可选掩码

观察以访问bin（在本例中为一维直方图）：

    for( int i = 1; i < histSize; i++ )
    {	//直线
        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), 2, 8, 0  );
        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), 2, 8, 0  );
        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), 2, 8, 0  );
    }

我们使用表达式（C++ 代码）：

b_hist.at<float>(i)

其中 i 表示维度值。如果它是一个二维直方图，我们会使用类似的东西：

b_hist.at<float>( i, j )

最后我们显示我们的直方图并等待用户退出：

imshow("Source image", src );
imshow("calcHist Demo", histImage );
waitKey();

Result

1. 使用如下图所示的图像作为输入参数：

1. 生成以下直方图：

十年一梦实验室

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
【opencv450 Image Processing】Histogram Calculation直方图计算

Goal在本教程中，您将学习如何：使用 OpenCV 函数 cv::split 将图像划分为其对应的平面。使用 OpenCV 函数 cv::calcHist 计算图像数组的直方图使用函数 cv::normalize 规范化数组笔记在上一个教程（直方图均衡）中，我们讨论了一种特殊的直方图，称为图像直方图。现在我们将考虑它的更一般的概念。继续阅读！What are histograms?直方图是收集的数据计数，组织成一组预定义的 bin当我们说数据时，我们并没有将
复制链接

扫一扫