科普丨【计算机视觉】OpenCV中直方图处理函数简述-CSDN博客

作者Jason Ding
GitCafe博客主页(http://jasonding1354.gitcafe.io/)

计算直方图calcHist

直方图是对数据集合的统计，并将统计结果分布于一系列预定义的bins中。这里的数据不仅仅指的是灰度值，统计数据可能是任何能有效描述图像的特征。
假设有一个矩阵包含一张图像的信息 (灰度值 0-255):
891d97962681fe646fc4d41d0f9a4e78859147f8

既然已知数字的范围包含256个值, 我们可以将这个范围分割成子区域(称作 bins)，如:
6af56310debac2f7922f1e5baa3d436832771d9e
然后再统计掉入每一个bin_{i}的像素数目。采用这一方法来统计上面的数字矩阵，我们可以得到下图( x轴表示 bin， y轴表示各个bin中的像素个数)。
04339549f87423f6bcd3841e1a61024bea5c4e6b

直方图可以统计的不仅仅是颜色灰度，它可以统计任何图像特征(如梯度,方向等等)。

直方图具体细节

dims: 需要统计的特征的数目，在上例中，dims = 1因为我们仅仅统计了灰度值(灰度图像)
bins: 每个特征空间子区段的数目，在上例中，bins = 16
range: 每个特征空间的取值范围，在上例中，range = [0,255]

OpenCV的直方图计算

OpenCV提供了一个简单的计算数组集(通常是图像或分割后的通道)的直方图函数calcHist。支持高达32维的直方图。

void calcHist(

const Mat* arrays, // 图像源数组，同样深度(CV_8U or CV_32F)，同样大小

int narrays, // 图片个数

const int* channels, // 通道

InputArray mask, // 掩码图像

OutputArray hist, // 返回的直方图

int dims, // 直方图的维数

const int* histSize, // 每一维上直方图的个数

const float** ranges, // 像素值的范围

bool uniform=true,

bool accumulate=false );

说明：

channels - 用来计算直方图的channels的数组
mask - 掩码。如果mask不为空，那么它必须是一个8位（CV_8U）的数组，并且它的大小的和arrays[i]的大小相同，值为1的点将用来计算
dim - 直方图的维数。必须为正，并且不大于CV_MAX_DIMS(当前的OpenCV版本中为32，即最大可以统计32维的直方图)
histSize - 在每一维上直方图的个数。简单把直方图看作一个一个的竖条的话，就是每一维上竖条的个数
ranges - 用来进行统计的范围

反投影直方图

反向投影是一种记录给定图像中的像素点如何适应直方图模型像素分布的方式。
简单的讲，所谓反向投影就是首先计算某一特征的直方图模型，然后使用模型去寻找图像中存在的该特征。

void calcBackProject(

const Mat* arrays,

int narrays,

const int* channels,

InputArray hist,

OutputArray backProject,

const float** ranges,

double scale=1, bool uniform=true );

hist - 输入直方图
backProject - 反投影向量，这是一个单通道的向量，和arrays[0]具有相同的大小和深度

下面使用肤色直方图为例来解释反向投影的工作原理：
使用模型直方图(代表手掌的皮肤色调)来检测测试图像中的皮肤区域，

对测试图像中的每个像素 ( p(i,j) ),获取色调数据并找到该色调( h(i,j), s(i,j) )在直方图中的bin的位置

查询模型直方图中对应的bin( h(i,j), s(i,j) )并读取该bin的数值

将此数值储存在新的图像中(BackProjection)。你也可以先归一化模型直方图 ,这样测试图像的输出就可以在屏幕显示了

通过对测试图像中的每个像素采用以上步骤，得到 BackProjection 结果图

使用统计学的语言, BackProjection 中储存的数值代表了测试图像中该像素属于皮肤区域的概率。比如以上图为例，亮起的区域是皮肤区域的概率更大(事实确实如此),而更暗的区域则表示更低的概率

阈值化

阈值是最简单的图像分割的方法。
应用举例：从一副图像中利用阈值分割出我们需要的物体部分（当然这里的物体可以是一部分或者整体）。这样的图像分割方法是基于图像中物体与背景之间的灰度差异，而且此分割属于像素级的分割。
为了从一副图像中提取出我们需要的部分，应该用图像中的每一个像素点的灰度值与选取的阈值进行比较，并作出相应的判断。（注意：阈值的选取依赖于具体的问题。即：物体在不同的图像中有可能会有不同的灰度值。）
一旦找到了需要分割的物体的像素点，我们可以对这些像素点设定一些特定的值来表示。（例如：可以将该物体的像素点的灰度值设定为：‘0’（黑色）,其他的像素点的灰度值为：‘255’（白色）；当然像素点的灰度值可以任意，但最好设定的两种颜色对比度较强，方便观察结果）。
cf022b036d22b21094a1d326324244c0198ff0af

阈值类型

fd42082ef48249a89fc479119243acf1e22e663b
e98bf61d9556f4e2ffdb2376d747a784bb483965 3d37ce553d36445817b35725f9baebcf135b5c13 427341625702533861130949ea061dc9f9c15f9a c45c8495c2010cf039fbbe0bbf3e303bc0e6f1cb

阈值API

double threshold(

InputArray src,

OutputArray dst,

double thresh,

double maxVal,

int thresholdType);

均值漂移(Mean Shift)算法函数

该函数利用了迭代物体搜索算法，它要以一个物体的反射直方图（back projection）和初始位置作为输入。
搜索窗口的重心向反射直方图的质心（mass center）移动，该过程不断的重复，直到达到了迭代的次数（criteria.maxCount），或者窗口中心小于一个阈值（criteria.epsilon）。