Opencv学习-calcHist()、normalize()函数

1. calcHist函数

1.1 calcHist函数原型

void cv::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 
)

• images：待统计直方:图的图像数组，数组中所有的图像应具有相同的尺寸和数据类型，并且数据类型只能是 CV_8U、CV_16U 和 CV_32F 这 3 种中的一种，但是不同图像的通道数可以不同。
• nimages：输入的图像数量。
• channels：需要统计的通道索引数组，第一个图像的通道索引从 0 到 images[0].channels()−1，第二个图像通道索引从 images[0].channels()到 images[0].channels()+ images[1].channels()−1，依此类推。
• mask：可选的操作掩码。如果是空矩阵，那么表示图像中所有位置的像素都计入直方图中；如果矩阵不为空，那么必须与输入图像尺寸相同且数据类型为 CV_8U。
• hist：输出的统计直方图结果，是一个 dims 维度的数组。
• dims：需要计算直方图的维度，必须是整数，并且不能大于 CV_MAX_DIMS，在 OpenCV 4.0 和 OpenCV 4.1 版中为 32。
• histSize：存放每个维度直方图的数组的尺寸。
• ranges：每个图像通道中灰度值的取值范围。
• uniform：直方图是否均匀的标志符，默认状态下为均匀（true）。
• accumulate：是否累积统计直方图的标志，如果累积（true），那么，在统计新图像的直方图时，之前图像的统计结果不会被清除，该参数主要用于统计多个图像整体的直方图。

        该函数用于统计图像中每个灰度值像素的个数，例如统计一幅 CV_8UC1 的图像，需要统计灰度值从 0 至 255 中每一个灰度值在图像中的像素个数，如果某个灰度值在图像中没有，那么该灰度值的统计结果就是 0 。由于该函数具有较多的参数，并且每个参数都较为复杂，因此作者建议在使用该函数时只统计单通道图像的灰度值分布，对于多通道图像，可以将图像每个通道分离后再进行统计。

        为了使读者更加了解函数的使用方法，代码清单 4-2 中提供了绘制灰度图像的图像直方图的示例程序。在该程序中，首先使用 calcHist() 函数统计灰度图像中每个灰度值的数目，之后通过不断绘制矩形的方式实现直方图的绘制。由于图像中部分灰度值像素数目较多，因此将每个灰度值数目缩小为原来的 1/20 后再进行绘制，绘制的直方图如图 4-1 所示。在该程序中，使用了 OpenCV 4 提供的四舍五入的取整函数 cvRound() ，该函数输入参数为 double 类型的变量，返回值为对该变量四舍五入后的 int 型数值。

2. normalize()函数

2.1 normalize()函数原型

void cv::normalize(InputArray src, 
InputOutputArray dst, 
double alpha = 1, 
double beta = 0, 
int norm_type = NORM_L2, 
int dtype = -1, 
InputArray mask = noArray() 
)

• src：输入数组矩阵。
• dst：输入与 src 相同大小的数组矩阵。
• alpha：在范围归一化的情况下，归一化到下限边界的标准值。
• beta：范围归一化时的上限范围，它不用于标准规范化。
• norm_type：归一化过程中数据范数种类标志，常用的可选择参数在表 4-1 中给出。
• dtype：输出数据类型选择标志。如果其为负数，那么输出数据与 src 拥有相同的类型，否则与 src 具有相同的通道数，但是数据类型不同。
• mask：掩码矩阵。 

        该函数输入一个存放数据的矩阵，通过参数 alpha 设置将数据缩放到最大范围，然后通过norm_type 参数选择计算范数的种类，之后将输入矩阵中的每个数据分别除以求取的范数数值，最 后得到缩放的结果。输出结果是一个 CV_32F 类型的矩阵，可以将输入矩阵作为输出矩阵，或者重新定义一个新的矩阵用于存放输出结果。该函数的第 5 个参数用于选择计算数据范数的种类，常用的可选择参数以及计算范数的公式在表 4-1 中给出。计算不同的范数，最后的结果也不相同，例如选择 NORM_L1 标志，输出结果为每个灰度值所占的比例；选择 NORM_INF 参数，输出结果为除以数据中最大值，将所有的数据归一化为 0 ～ 1 。

normalize()函数归一化常用标志参数

3. 代码示例

#include <opencv2/opencv.hpp> 
#include <iostream> 

using namespace cv; 
using namespace std; 

int main() 
{ 
    vector<double> positiveData = { 2.0, 8.0, 10.0 }; 
    vector<double> normalized_L1, normalized_L2, normalized_Inf, normalized_L2SQR,normalized_MINMAX; 
    //测试不同归一化方法
    normalize(positiveData, normalized_L1, 1.0, 0.0, NORM_L1); //绝对值求和归一化
    cout <<"normalized_L1=["<< normalized_L1[0]<<", " 
    << normalized_L1[1]<<", "<< normalized_L1[2] <<"]"<< endl; 
    normalize(positiveData, normalized_L2, 1.0, 0.0, NORM_L2); //模长归一化
    cout << "normalized_L2=[" << normalized_L2[0] << ", " 
    << normalized_L2[1] << ", " << normalized_L2[2] << "]" << endl; 
    normalize(positiveData, normalized_Inf, 1.0, 0.0, NORM_INF); //最大值归一化
    cout << "normalized_Inf=[" << normalized_Inf[0] << ", " 
    << normalized_Inf[1] << ", " << normalized_Inf[2] << "]" << endl; 
    normalize(positiveData, normalized_MINMAX, 1.0, 0.0, NORM_MINMAX); //偏移归一化
    cout << "normalized_MINMAX=[" << normalized_MINMAX[0] << ", " 
    << normalized_MINMAX[1] << ", " << normalized_MINMAX[2] << "]" << endl;

    Mat img = imread("../pic/gril.jpg"); 
    if (img.empty()) 
    { 
        cout << "请确认图像文件名称是否正确" << endl; 
        return -1; 
    } 
    Mat gray; 
    //cvtColor(img, gray, COLOR_BGR2GRAY); 
    Mat imgs[3],imgs0,imgs1,imgs2; 
    split(img, imgs); 
    imgs0 = imgs[0]; 
    imgs1 = imgs[1]; 
    imgs2 = imgs[2];
    //设置提取直方图的相关变量
    Mat b_hist,g_hist,r_hist; //用于存放直方图计算结果
    const int channels[1] = { 0 }; //通道索引
    float inRanges[2] = { 0,255 }; 
    const float* ranges[1] = { inRanges }; //像素灰度值范围
    const int bins[1] = { 256 }; //直方图的维度，其实就是像素灰度值的最大值
    calcHist(&imgs[0], 1, 0, Mat(), b_hist, 1, bins, ranges, true, false); //计算图像直方图
    calcHist(&imgs[1], 1, 0, Mat(), g_hist, 1, bins, ranges, true, false); //计算图像直方图
    calcHist(&imgs[2], 1, 0, Mat(), r_hist, 1, bins, ranges, true, false); //计算图像直方图
    //准备绘制直方图
    int hist_w = 500; 
    int hist_h = 400; 
    int width = 2; 
    Mat histImage = Mat::zeros(hist_h, hist_w, CV_8UC3);

    normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());//归一化
	normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());
	normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());

    for (int i = 1; i <= 255; i++) 
    { 
        line(histImage, Point(width*(i - 1), hist_h - cvRound(b_hist.at<float>(i - 1))),Point(width*(i), hist_h - cvRound(b_hist.at<float>(i)/2)), Scalar(255, 0, 0),2);
        line(histImage, Point(width*(i - 1), hist_h - cvRound(g_hist.at<float>(i - 1))),Point(width*(i), hist_h - cvRound(g_hist.at<float>(i)/2)), Scalar(0, 255, 0),2);
        line(histImage, Point(width*(i - 1), hist_h - cvRound(r_hist.at<float>(i - 1))),Point(width*(i), hist_h - cvRound(r_hist.at<float>(i)/2)), Scalar(0, 0, 255),2);
    } 

    namedWindow("histImage", WINDOW_AUTOSIZE); 
    imshow("histImage", histImage); 
    imshow("img", img); 
    waitKey(0); 
    return 0; 
}

4. 测试结果