opencv 的norm_OpenCV——直方图

一、直方图概述

在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表，他的两个坐标分别是统计样本(图像、视频帧)和样本的某种属性(亮度，像素值，梯度，方向，色彩等等任何特征)。

也可以这么理解，直方图是对数据的统计，并把统计值显示到事先设定好的bin(矩形条)中，bin中的数值是从数据中计算出的特征的统计量。总之，直方图获取的是数据分布的统计图，通常直方图的维数要低于原始数据。

图像直方图是用一表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布的直方图。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。计算机视觉邻域常借助图像直方图来实现图像的二值化。

灰度直方图是一幅图像中个像素灰度值出现次数或频数的统计结果，它只反映该图像中灰度值出现的频率，而未反映某一灰度值像素所在的位置。也就是说，它只包含了该图像中某个灰度值的像素出现的概率，而丢失了其所在的位置的信息。任一幅图像，都能唯一地算出一幅与它对应的直方图。但不同的图像，可能有相同的直方图。即图像与直方图之间是多对一的映射关系。

直方图意义：

1.直方图是图像中像素强度分布的图形表达方式。

2.直方图统计了每一个强度值所具有的像素个数。

直方图术语：

dims：需要统计的特征的数目。例如：dims=1，表示我们仅统计灰度值。

bins：每个特征空间子区段的数目。

range：每个特征空间的取值范围。

二、直方图均衡化

直方图均衡化是通过拉伸像素强度的分布范围，使得在0~255灰阶上的分布更加均衡，提高了图像的对比度，达到改善图像主观视觉效果的目的。对比度较低的图像适合使用直方图均衡化方法来增强图像细节。

函数原型：

参数：

src：源图像，需为8位单通道图像

dst：输出图像，尺寸、类型和源图像一致

该函数采用如下步骤对输入图像进行直方图均衡化：

效果：

#define HIST_SIZE 256//计算直方图数据的函数static Mat cal_histogram(const Mat& src){
      int hist[HIST_SIZE] = {
    0};  //遍历图像，对直方图对应的格子累加计算  for (int i = 0; i < src.rows; i++)  {
        for (int j = 0; j < src.cols; j++)    {
          int idx = src.ptr(i)[j];      if (idx < HIST_SIZE)      {
            hist[idx]++;      }    }  }  //把直方图数据从数组转换成只有一列的矩阵  Mat histMat(HIST_SIZE, 1, CV_32FC1);  for (int i = 0; i < HIST_SIZE; i++)  {
        histMat.ptr<float>(i)[0] = hist[i];  }  return histMat;}//定义函数把直方图以图像形式显示static void show_histogram(const Mat& src, String winName){
      //先调用计算直方图的函数得到直方图数据，并归一化到0-255  Mat hist = cal_histogram(src);  normalize(hist, hist, 0, 255, NORM_MINMAX, CV_8UC1);  //定义用于显示的图像  Mat hist2 = Mat(300, 256, CV_8UC1, Scalar(0));  //遍历直方图，一个格子的数据画一条竖线  for (int i = 0; i < HIST_SIZE; i++)  {
        //从左到右，高度相反画图线    line(hist2, Point(i, 299), Point(i, 299 - hist.at(i)), Scalar(255), 1, LINE_AA);  }  imshow(winName, hist2);}

均衡化前后强度对比：

均衡化前，像素强度分布相对集中，均衡化后，分布相对散开一点，对比度就改善了。

如果图像是彩色图像，则先分离通道，分别做均衡化，再合并通道。

vectorchannels;split(src, channels);Mat blue, green, red;blue = channels.at(0);green = channels.at(1);red = channels.at(2);equalizeHist(blue, blue);equalizeHist(green, green);equalizeHist(red, red);merge(channels, dst);

效果：

具体实现：

static Mat histogram_equalize(Mat& src){
      //第一步，计算直方图数据  Mat hist = cal_histogram(src);  //第二步，计算累积直方图，同时进行第三步，把累积直方图的数据归一化到0-255  int hist_accumulate[HIST_SIZE];  int sum = 0;  int total_number_pixels = src.cols * src.rows;  for (int i = 0; i < HIST_SIZE; i++)  {
        sum += (int)hist.ptr<float>(i)[0];    hist_accumulate[i] = saturate_cast(sum * 255 / total_number_pixels);  }  //第四步，遍历原图像，以原图像的像素值为索引，从第三步的归一化后的直方图中取值组成最终均衡化图像  Mat dst(src.size(), CV_8UC1);  for (int i = 0; i < dst.rows; i++)  {
        for (int j = 0; j < dst.cols; j++)    {
          dst.ptr(i)[j] = hist_accumulate[src.ptr(i)[j]];    }  }  return dst;}

效果：