【机器视觉学习笔记】直方图的绘制及直方图均衡化（C++）

最新推荐文章于 2024-04-10 18:24:10 发布
最新推荐文章于 2024-04-10 18:24:10 发布
阅读量1.8k 收藏 16
点赞数 1
分类专栏： 机器视觉 文章标签： c++ opencv 直方图 机器视觉 直方图均衡化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44457994/article/details/120421184
版权

目录

平台：Windows 10 20H2
Visual Studio 2015
OpenCV 4.5.3

本文综合自直方图计算和程序员-图哥——图像处理之直方图均衡化及C++实现

概念

直方图定义

在这里插入图片描述

直方图均衡化

在这里插入图片描述
直方图均衡化的作用是图像增强。

有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。

为什么要选用累积分布函数

均衡化过程中，必须要保证两个条件：
①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；
②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。
综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。

如何运用累积分布函数使得直方图均衡化

直方图均衡化过程中，映射方法是
在这里插入图片描述
其中，n是图像中像素的总和， n k n_k nk​是当前灰度级的像素个数，L是图像中可能的灰度级总数。

C++ 源码

直方图均衡化

直方图均衡化的代码实现有以下几个步骤：

遍历全图，先统计每个灰度级下的像素点个数（为此我们开辟了256大小的数组）；
计算每个灰度级的像素点占总像素的点的比例；
按照第二步求出的比例重新计算每个灰度级下的新的灰度值，即均衡化；
依照新的灰度值表遍历更新图像的灰度值。

Mat getEqualizeHistImage(Mat input)
{
	int gray[256] = { 0 };  //记录每个灰度级别下的像素个数
	double gray_prob[256] = { 0 };  //记录灰度分布密度
	double gray_distribution[256] = { 0 };  //记录累计密度
	int gray_equal[256] = { 0 };  //均衡化后的灰度值

	int gray_sum = 0;  //像素总数

	Mat chRGB[3];

	split(input, chRGB);

	Mat output = input.clone();

	for (unsigned char k = 0; k < 3; ++k)
	{
		for (unsigned short i = 0; i < 256; ++i)
		{
			gray[i] = 0;
			gray_prob[i] = 0;
			gray_distribution[i] = 0;
			gray_equal[i] = 0;
		}

		gray_sum = chRGB[k].cols * chRGB[k].rows;

		//统计每个灰度下的像素个数
		for (int i = 0; i < chRGB[k].rows; i++)
		{
			uchar* p = chRGB[k].ptr<uchar>(i);
			for (int j = 0; j < chRGB[k].cols; j++)
			{
				int vaule = p[j];
				gray[vaule]++;
			}
		}

		//统计灰度频率
		for (int i = 0; i < 256; i++)
		{
			gray_prob[i] = ((double)gray[i] / gray_sum);
		}

		//计算累计密度
		gray_distribution[0] = gray_prob[0];
		for (int i = 1; i < 256; i++)
		{
			gray_distribution[i] = gray_distribution[i - 1] + gray_prob[i];
		}

		//重新计算均衡化后的灰度值，四舍五入。参考公式：(N-1)*T+0.5
		for (int i = 0; i < 256; i++)
		{
			gray_equal[i] = (uchar)(255 * gray_distribution[i] + 0.5);
		}

		//直方图均衡化,更新原图每个点的像素值
		for (int i = 0; i < chRGB[k].rows; i++)
		{
			uchar* p = chRGB[k].ptr<uchar>(i);
			for (int j = 0; j < chRGB[k].cols; j++)
			{
				p[j] = gray_equal[p[j]];
			}
		}
	}
	merge(chRGB, 3, output);
	return output;
}

绘制直方图

Mat getHistImage(Mat input)
{
	Mat chRGB[3];

	split(input, chRGB);

	// 设定bin数目
	int histSize = 255;

	// 设定取值范围 ( R,G,B) )
	float range[] = { 0, 255 };
	const float* histRange = { range };

	bool uniform = true; bool accumulate = false;

	Mat RGB_Hist[3];

	for(uint8_t i = 0; i < 3; ++i)
		// 计算直方图:
		calcHist(&chRGB[i], 1, 0, Mat(), RGB_Hist[i], 1, &histSize, &histRange, uniform, accumulate);
	
	// 创建直方图画布
	int hist_w = 400; int hist_h = 400;
	int bin_w = cvRound((double)hist_w / histSize);

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

	for(uint8_t i = 0; i < 3; ++i)
		// 将直方图归一化到范围 [ 0, histImage.rows ]
		normalize(RGB_Hist[i], RGB_Hist[i], 0, histImage.rows, NORM_MINMAX, -1, Mat());

	// 在直方图画布上画出直方图
	for (int i = 1; i < histSize; i++)
	{
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(RGB_Hist[0].at<float>(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(RGB_Hist[0].at<float>(i))),
			Scalar(0, 0, 255), 2, 8, 0);
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(RGB_Hist[1].at<float>(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(RGB_Hist[1].at<float>(i))),
			Scalar(0, 255, 0), 2, 8, 0);
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(RGB_Hist[2].at<float>(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(RGB_Hist[2].at<float>(i))),
			Scalar(255, 0, 0), 2, 8, 0);
	}
	/// 显示直方图
	///imshow("calcHist Demo", histImage);
	return histImage;
}

主函数

图片路径根据实际情况调整，注意反斜杠是转义字符的开头，故“\”应替换为“\\”

int main(int argc, char * argv[])
{
	Mat Image = imread("D:\\Work\\OpenCV\\Workplace\\Test_1\\1.jpg");

	imshow("原图", Image);
	imshow("原图直方图", getHistImage(Image));

	imshow("直方图均衡化后的图像", getEqualizeHistImage(Image));
	imshow("直方图均衡化后的直方图", getHistImage(getEqualizeHistImage(Image)));

	waitKey(0);

	return 0;
}

效果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

完整源码

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

using namespace cv;
using namespace std;

Mat getHistImage(Mat input)
{
	Mat chRGB[3];

	split(input, chRGB);

	// 设定bin数目
	int histSize = 255;

	// 设定取值范围 ( R,G,B) )
	float range[] = { 0, 255 };
	const float* histRange = { range };

	bool uniform = true; bool accumulate = false;

	Mat RGB_Hist[3];

	for(uint8_t i = 0; i < 3; ++i)
		// 计算直方图:
		calcHist(&chRGB[i], 1, 0, Mat(), RGB_Hist[i], 1, &histSize, &histRange, uniform, accumulate);
	
	// 创建直方图画布
	int hist_w = 400; int hist_h = 400;
	int bin_w = cvRound((double)hist_w / histSize);

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

	for(uint8_t i = 0; i < 3; ++i)
		// 将直方图归一化到范围 [ 0, histImage.rows ]
		normalize(RGB_Hist[i], RGB_Hist[i], 0, histImage.rows, NORM_MINMAX, -1, Mat());

	// 在直方图画布上画出直方图
	for (int i = 1; i < histSize; i++)
	{
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(RGB_Hist[0].at<float>(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(RGB_Hist[0].at<float>(i))),
			Scalar(0, 0, 255), 2, 8, 0);
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(RGB_Hist[1].at<float>(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(RGB_Hist[1].at<float>(i))),
			Scalar(0, 255, 0), 2, 8, 0);
		line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(RGB_Hist[2].at<float>(i - 1))),
			Point(bin_w*(i), hist_h - cvRound(RGB_Hist[2].at<float>(i))),
			Scalar(255, 0, 0), 2, 8, 0);
	}
	/// 显示直方图
	///imshow("calcHist Demo", histImage);
	return histImage;
}

Mat getEqualizeHistImage(Mat input)
{
	int gray[256] = { 0 };  //记录每个灰度级别下的像素个数
	double gray_prob[256] = { 0 };  //记录灰度分布密度
	double gray_distribution[256] = { 0 };  //记录累计密度
	int gray_equal[256] = { 0 };  //均衡化后的灰度值

	int gray_sum = 0;  //像素总数

	Mat chRGB[3];

	split(input, chRGB);

	Mat output = input.clone();

	for (unsigned char k = 0; k < 3; ++k)
	{
		for (unsigned short i = 0; i < 256; ++i)
		{
			gray[i] = 0;
			gray_prob[i] = 0;
			gray_distribution[i] = 0;
			gray_equal[i] = 0;
		}

		gray_sum = chRGB[k].cols * chRGB[k].rows;

		//统计每个灰度下的像素个数
		for (int i = 0; i < chRGB[k].rows; i++)
		{
			uchar* p = chRGB[k].ptr<uchar>(i);
			for (int j = 0; j < chRGB[k].cols; j++)
			{
				int vaule = p[j];
				gray[vaule]++;
			}
		}

		//统计灰度频率
		for (int i = 0; i < 256; i++)
		{
			gray_prob[i] = ((double)gray[i] / gray_sum);
		}

		//计算累计密度
		gray_distribution[0] = gray_prob[0];
		for (int i = 1; i < 256; i++)
		{
			gray_distribution[i] = gray_distribution[i - 1] + gray_prob[i];
		}

		//重新计算均衡化后的灰度值，四舍五入。参考公式：(N-1)*T+0.5
		for (int i = 0; i < 256; i++)
		{
			gray_equal[i] = (uchar)(255 * gray_distribution[i] + 0.5);
		}

		//直方图均衡化,更新原图每个点的像素值
		for (int i = 0; i < chRGB[k].rows; i++)
		{
			uchar* p = chRGB[k].ptr<uchar>(i);
			for (int j = 0; j < chRGB[k].cols; j++)
			{
				p[j] = gray_equal[p[j]];
			}
		}
	}
	merge(chRGB, 3, output);
	return output;
}

int main(int argc, char * argv[])
{
	Mat Image = imread("D:\\Work\\OpenCV\\Workplace\\Test_1\\1.jpg");

	imshow("原图", Image);
	imshow("原图直方图", getHistImage(Image));

	imshow("直方图均衡化后的图像", getEqualizeHistImage(Image));
	imshow("直方图均衡化后的直方图", getHistImage(getEqualizeHistImage(Image)));

	waitKey(0);

	return 0;
}
乙酸氧铍
关注
  • 1
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【OpenCV • c++】直方图计算 | 绘制 H-S 直方图 | 绘制一维直方图 | 绘制 RGB 三色直方图
Ceylan__的博客
09-10 2931
直方图广泛应用于很多计算机视觉处理当中。通过标记帧与帧之间显著的边缘和颜色的变化，可以检测视频中的场景变化。在每个兴趣点设置一个有相似特征的直方图所构成的“标签”，可以用来标记各种不同的事情，比如图像的色彩分布，物体边缘梯度模板等等。是计算机视觉中最经典的工具之一。简单来说直方图就是对数据进行统计的一种方法，它将统计值组织到一系列事先定义好的bin中。bin中的数值是从数据中计算出的特征的统计量，这些数据可以是梯度、方向、色彩以及其他任何特征。
【C++ calcHist函数（图像直方图）】
zkk2002的博客
02-08 1413
【C++ calcHist函数（图像直方图）】
OpenCV4（C++）—— 直方图
qq_43199575的博客
10-11 1393
直方图(Histogram)最开始在统计学中被提出，由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型，纵轴表示分布情况。在图像领域，直方图用来更直观地展现各像素值出现的频率，例如常用的灰度直方图反映的是一幅图像中各灰度像素值（0-255）出现的频率之间的关系。
图像处理之直方图增强（C++）
最新发布
qq_45045175的博客
04-10 851
图像处理之直方图相关操作，包括（直方图均衡化、直方图统计、限制对比度的直方图均衡化），其中直方图均衡化自己手写实现，可供参考。
Opencv C++ 绘制直方图、直方图比较、直方图反向投影
weixin_43965740的博客
03-29 971
输入的数组（图像）都应该有相同的深度（CV_8U,CV_16U,CV32F）和一样的尺寸。如果dims=1,则输出的直方图为一个 1 X histSizedede 的矩阵，这个矩阵存放像素出现的次数；如果dims=2,则输出的直方图为一个 hSize X wSize 的矩阵；在范围归一化的情况下，要归一化到的范数值或较低的范围边界；在范围归一化的情况下的上范围边界；选择输入源数组（图像）的通道，计算该通道的直方图;表示要计算直方图的通道的取值范围；表示直方图是否归一化的标志；输出已归一化的数组（图像）；
C++ opencv图像直方图
weixin_46098612的博客
11-17 4675
由于其计算代价较小，且具有图像平移、旋转、缩放不变性等众多优点，广泛地应用于图像处理的各个领域，特别是灰度图像的阈值分割、基于颜色的图像检索以及图像分类、反响投影跟踪。图像直方图（Image Histogram）是用以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。通常直方图的维数要低于原始数据，所以它的信息有缺，图像直方图并不能唯一表示一张图像。因为计算的到直方图数据数组，是一个大小为256的一维数组，它的每个值对应一个频次。有很多的算法，比如传统的特征工程，跟它都有千丝万缕的关系。
计算灰度图的像素直方图，并显示（c++）
热门推荐
不积跬步无以至千里
06-12 2万+
程序功能，将一张彩色图片转为灰度图后，分析其各灰度值(0-255)的像素个数以直方图的方式显示出来. 这次是用c++写的，很多函数都很陌生，花了我很长时间。   #include"stdafx.h" #include&lt;iostream&gt; #include&lt;highgui.hpp&gt; #include&lt;cv.hpp&gt; #include&lt;imgproc....
基于LABVIEW机器视觉-直方图均衡化
05-24
这里总结做了一个比较简单的一个直方图均衡化的程序。根据直方图的灰度值的不同可以看出明显的画面灰度对比，通过改变均衡化值的范围，可以很清楚的知道某个范围下的直方图灰度值图像。
数字图像处理——直方图的绘制及均衡化 matlab
07-24
同时，在计算机视觉领域，直方图均衡化也可以用于图像识别和目标检测等任务。 本文介绍了数字图像处理中的直方图绘制和均衡化技术，并使用 MATLAB 语言对其进行了编程实现。该技术可以应用于图像增强、去噪、图像...
计算机视觉——图像直方图绘制和均衡化 计算机视觉.pdf
04-21
计算机视觉——图像直方图绘制和均衡化 本文主要介绍了计算机视觉中图像处理的两个重要概念：图像直方图绘制和图像均衡化。图像直方图是一种统计图形，用于描述图像中的亮度分布。通过绘制直方图，可以了解图像中的...
matlab3.zip_图像灰度增强_直方图均衡化
07-14
对一低质量的进行灰度增强，至少采用三种方法，其中包括直方图均衡化，增强对比度和视觉效果。
C++图像处理 直方图均衡化
12-15
在C++中实现直方图均衡化，我们需要理解图像直方图的原理，掌握基本的图像处理概念，并熟悉C++编程及相关的图像处理库，如OpenCV。 首先，图像直方图是描述图像中像素出现频率的一种统计图表，它通过统计每个灰度级...
C++OpenCV图像处理的基本操作（五）——直方图
bigData1994pb的博客
07-03 2923
直方图的优点 图像直方图由于其计算代价较小，且具有图像平移、旋转、缩放不变性等众多优点，广泛地应用于图像处理的各个领域，特别是灰度图像的阈值分割、基于颜色的图像检索以及图像分类。 1.一维的直方图 函数部分如下所示： void QuickDemo::histogram_demo(Mat &image) { /*图像直方图是图像像素值的统计学特征，计算代价较小，具有图像的平移、旋转、缩放不变性的优点。 Bins是指直方图的大小范围 */ //三通道分离 std...
C++编制直方图程序
m0_60434562的博客
03-15 684
要求：手工输入源图像，计算直方图，输出显示直方图和源图像。（注：不要用OpenCV自带函数）也不知道结果正不正确，本人水平有限，请大家多多指教！
直方图均衡化
LilyZJ的博客
03-22 1528
下面是关于直方图均衡化的一些理解和公式推导；关于随机变量函数的概率密度与随机变量概率密度的关系公式部分暂时未找到具体的资料，先写下自己的理解，以后再做补充。 直方图 直方图就是对图像的亮度进行统计分布，可以反映图像灰度值的分布情况，分为unnormalized histogram 和 normalized histogram。 normalized histogram 其实就是归一化的直方图，用于...
图像处理之直方图统计及C++实现
程序员深度学习
01-30 8551
1. 介绍 在分析图像、物体和视频信息的时候，我们经常用直方图来表达我们关注的信息。直方图在计算机视觉中应用广泛。例如，通过判断帧与帧之间边缘和颜色的统计量是否出现巨大变化，来检测视频中场景的变换。 直方图只是简单地将数据归入预定义的组，并在每个组内进行计数。也可以选择对数据提取特征、再对特征进行计数，这里的特征可以是梯度的长度、梯度的方向、颜色或者其他任何可以反映数据特点的特征，也就是说，直方图是一种用来揭示数据分布的统计特性的工具。直方图的维度通常比原始数据的维度低。 OpenCV中使用数组来表示直方.
c++简易直方图显示
JCY的博客
02-22 513
c++简易直方图显示
c++视觉处理----绘制直方图，H—S直方图，二维H—S直方图，RGB三色直方图
qq_46107892的博客
10-12 457
c++视觉处理----绘制直方图，H—S直方图，二维H—S直方图，RGB三色直方图
机器视觉直方图均衡化原理
06-12
机器视觉中的直方图均衡化是一种图像增强的方法，它通过对图像像素的灰度值进行调整，使得图像的对比度增强，细节更加清晰。其基本原理是将原始图像的灰度值分布进行重新分配，使得每个灰度值在整个图像中出现的概率相等，从而达到增强图像对比度的目的。 具体实现过程如下： 1. 统计原始图像中每个灰度级别的像素个数，得到原始图像的灰度直方图。 2. 计算原始图像中每个灰度级别的像素出现概率，并计算累计概率分布。 3. 将累计概率分布映射到[0,255]范围内，得到一个灰度级别的映射表。 4. 将原始图像的每个像素的灰度值替换为映射表中相应的灰度级别。 通过直方图均衡化，可以使得图像的灰度值分布更加均匀，增强了图像的对比度和细节信息，使得图像更加适合进行后续的图像处理和分析。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

乙酸氧铍

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值