opencv直方图相关及应用

1)直方图均衡化
直方图均衡化是灰度变换的一个重要应用，它是通过拉伸像素强度分布范围来增强图像对比度的一种方法，广泛应用于图像增强处理中。
直方图均衡化是直方图最典型的应用，是图像点运算的一种，对于一幅输入图像，通过运算产生一幅输出图像，点运算是指输出图像的每个像素点的灰度值由输入像素点决定 即：
B(x,y)=f[A(x,y)]
直方图均衡化是通过灰度变换将一幅图像转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的像素点数过程，从分布图上的理解就是希望原始图像中y轴的值在新的分布中尽可能的展开，变换过程是利用累积分布函数对原始分布进行映射，生成新的均匀拉伸的分布，因此对应每个点的操作是寻找原始分布中Y值在均匀分布中的位置

---

直方图均衡化—equalizeHist()
void equalizeHist(InputArray src,OutputArray dst);
&&src :输入原图像，Mat类对象即可，需要8位单通道图像
&&dst:均衡化后结果图像，需要和原图一样的尺寸和类型
ex1:
Mat src=imread(“06.jpg”,0);//灰度模式加载
imshow(“src”,src);
//在这添加直方图代码 可以看一下灰度集中在哪
equalizeHist(src,dst);
imshow(“dst”,dst);
waitKey(0) ;
destroyAllWindows();
例如：把图像雾蒙蒙的变清晰
颜色分布很均匀，做均衡化差异不是很大
灰度值较集中的做均衡化————————————————————————————-
//彩色图像直方图均衡化
//就是通道的分离与合并
Mat src=imread(“06.jpg”);
imshow(“src”,src);
vectorchannels;
split(src,channels);
Mat blueChannel,greenChannel,redChannel,dst;
blueChannel=channels.at(0);
greenChannel=channels.at(1);
redChannel=channels.at(2);
//分别对BGR通道做直方图均衡化
equalizeHist(blueChannel,blueChannel);
equalizeHist(greenChannel,greenChannel);
equalizeHist(redChannel,redChannel);
merge(channels,dst);
imshow(“dst”,dst);

---

2)直方图的对比
直方图对比就是根据一定的标准来比较两幅图像的直方图的相似度，进而确定图像的相似度，opencv提供对比直方图相似度的函数为:compareHist()
//！compares two histograms stored in dense arrays
CV_EXPORTS_W double compareHist(InputArray H1,InputArray H2,int method);
//！compares teo histograms stored in sparse arrays
CV_EXPORTS double compareHist(const SparseMat &H1,const SparseMat &H2,int method);
&&H1:需要比较的直方图1
&&H2:需要比较的直方图2
&&method:直方图对比的方法
**CV_COMP_CORREL=0,—-相关性方法(值越大匹配度越高)
**CV_COMP_CHISQR=1,—-卡方测量法（值越小匹配度越高）
**CV_COMP_INTERSECT=2，—直方图相交法(值越大匹配度越高)
**CV_COMP_BHATTACHARYYA=3,—Bhattacharyya测量法（小）

---

3)反向投影
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，简单来说,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该特征的方法 色调
例如， 你有一个肤色直方图（Hue-Saturation直方图）,你可以用他来寻找图像中的肤色区域，具体原理
假设你已经通过下图得到一个肤色直方图（Hue-Saturation）,旁边的直方图就是模型直方图（代表手掌的皮肤色调），你可以通过掩码操作来抓取手掌所在区域的直方图
我们要做的就是使用模型直方图（代表手掌的皮肤色调）来检测测试图像中的皮肤区域：以下是检测的步骤：
1：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（Hij,Sij）在直方图中的Bin位置
2查询模型直方图中对应的bin—并读取该bin的数值
3将此数值存储在新的图像中(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中
4通过对测试图像中每个像素采用以上步骤
得到了下面的BackProjection 结果图
5.使用统计学的语言，BackProjection中存储的数值代表了测试图像中该像素属于皮肤区域的概率，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（注意手掌内部和边缘的阴影影响了检测的精度）

反射投影的作用：
反向投影应用在输入图像（大）中查找与特定图像（模板图像），最匹配的点或者区域，也就是定位模板图像出现在输入图像的位置

计算反向投影–calBackProject()
void calcBackProject(const Mat *images,int nimages,const int*channels,InputArray hist,OutputArray backProject,const float **ranges,double scale=1,bool uniform=true);
&& images:输入数组或数组集，需要为相同深度和尺寸
&&nimages:输入数组个数，也就是图像数量
&&channels:需要统计的通道索引
&&hist:输入的直方图
&&backProject：目标反向投影阵列，需要为单通道，并且和image[0]有相同的大小和深度
&&ranges:表示每一维度数组的每一维的边界阵列（取值范围）
&&uniform:直方图是否均匀标识，默认值true

---

int main()
{
   g_srcImage=imread("1.jpg",1);
   resize(g_srcImage,g_srcImage,Size(g_srcImage.cols/4,g_srcImage.row/4));
cvtColor(g_srcImage,g_hsvImage,CV_BGR2HSV);
g_hueImage.create(g_havImge.size(),g_hsvImage.depth());
int ch[]={0,0};
mixChannels(&g_havImage,1,&g_hueImage,1,ch,1);//通道融合
namedWindow(WINDOW_NAME1,CV_WINDOW_AUTOSIZE);
createtrackBar("色调组距",WINDOW_NAME1,&g_bins,180,on_binChange);
on_BinChange(0,0);
imshow(WINDOW_NAME1,g_srcImage);
waitKey(0);
return 0;
}
void on_BinChange(int,void*)
{
   MatND hist;
   int histSize=MAX(g_bins,2);
   float hue_range[]={0,180};
   const float *ranges={hue_range};
   calcHist(&g_hueImage,1,0,Mat(),hist,1,&histSize,&ranges,true,false);
   normalize(hist,hist,0,255,NORM_MINMAX,-1,Mat());
   MatND backproj;
   calcBackProject(&g_hueImage,1,0,hist,backproj,&ranges,1,true);
   imshow("反向投影图"，backproj);
   int w=400,int h=400;
   int bin_w=cvRound((double)w/histSize);
   Mat histImg=Mat::zeros(w,h,CV_8UC3);
   for(int i=0;i<g_bins;i++)
   {
      rectangle(histImg,Point(i*bin_w,h),Point(i+1)*bin_w,h-cvRound(hist.at<float>(i)*h/255.0)),Scalar(100,123,255),-1);
   }
   imshow("直方图"，histImg);
}