OpenCV RGB直方图计算与绘制----calcHist()函数normalize()函数

Posted ybqjymy

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了OpenCV RGB直方图计算与绘制----calcHist()函数normalize()函数相关的知识,希望对你有一定的参考价值。

1-BGR直方图
在OpenCV中,彩色图像存储是通过多通道的数组来实现的,对CV_8UF3来言,其每个数组通道中的元素可取值为0到255。
颜色分布直方图描述的是不同色彩在整幅图像中所占的比例,而并不关心每种色彩所处的空间位置。
因此,对彩色图像求其直方图,可先提取彩色图像的各个通道,然后对每个通道进行直方图计算,最后利用图像融合技术合并通道信息,求解出图像颜色分布直方图。
===========================分割线=========================
2-换个角度认识图像(直方图)
第一个就是当我们面对图像的时候,我们面对的是抽象的矩阵,如下图,下面是0-255的灰度图像的表示,密密麻麻的。

技术图片

那么我们做的直方图,其实就是对这些像素值的统计。例如:首先,我们需要把0-255分成 17 个 区域(bin),如下图所示:

技术图片

我们对每个范围中的灰度值进行统计排序,做出如下的表格:

技术图片

我们是以图像的灰度为例子说明这个直方图,当然直方图不仅仅用于灰度特种统计排序,还可以用于图像的梯度、方向等特征。

灰度直方图是灰度级的函数,描述图像中该灰度级的像素个数(或该灰度级像素出现的频率):其横坐标是灰度级,纵坐标表示图像中该灰度级出现的个数(频率)。

在以上的过程中,我们使用到一些重要的参数,理解这些参数帮助我们更好的使用API函数。


dims:需要统计的特征的数目,我们上面只统计了 灰度值这个特征,所以, dims =1。
bins:一般翻译为箱子,看上图,一共有16个bins,其实就和我们平时见得简单函数差不多。在图像直方图中,你可以把一个灰度值设置为一个bins,0~255强度的灰度值一共就需要256个bins,是不是很简单。 
Range:就是范围啦,规定一个bins能够达到的最大和最小的范围。比如一张图片10*10,那么就有100个像素。然后前面已经说过,直方图是按照亮度统计像素数量,那么范围就是0~100啦。这里有一个地方要说一下,刚刚0~100还是对于比较小的图像,那么对于比较大的图像1000*1000,那么范围太大了。我们统计像素数量的时候肯定没有问题,但是要画直方图的时候,难道有一个包含100000个像素,岂不是要化的很长?所以,一般在画直方图的时候,会有一个比例缩放的过程,比如我提前定好我直方图最大的高度只能够是256,那么你就可以用(最大的高度/最大的像素量)统计到的像素量来进行缩放。这样就简单多了。我这里提到的缩放方式只是一种,你可以随便定义喜欢的缩放方式。

一维直方图的结构表示为:

技术图片

 

 

再结合上面画的示意图,应该就很好理解了。

 

基本的概念其实很简答,想的时候要不要想复杂了,那么基本概念就到这里了。

===============分割线===============

3-相关函数说明

当然了,首先介绍的是计算直方图的函数了。

直方图计算:calcHist()函数

1 void calcHist( const Mat* images, int nimages,
2                           const int* channels, InputArray mask,
3                           OutputArray hist, int dims, const int* histSize,
4                           const float** ranges, bool uniform=true, bool accumulate=false );

参数解释:
参数1:输入源图像。注意这里的格式是const Mat*,也就是说,你要传入一个地址,输入的数组(图片)或者数组集(一堆图片)需要为相同的深度(CV_8U或CV_32F)和相同的尺寸。
参数2:int类型的nimages,输入数组的个数,也就是第一个参数中存放了多少张“图像”,有几个原数组。
参数3:const int*类型的channels,用来计算直方图的channes的数组,需要统计的通道(dim)索引。第一个数组通道从0到images[0].channels()-1,而第二个数组通道从images[0]计算到images[0].channels()+images[1].channels()-1,以此类推。比如输入是2副图像,第一副图像有0,1,2共三个channel,第二幅图像只有0一个channel,那么输入就一共有4个channes,如果int channels[3] = {3, 2, 0},那么就表示是使用第二副图像的第一个通道和第一副图像的第2和第0个通道来计算直方图。(这句表示没看懂)。
参数4:InputArray类型的mask,可选的操作掩码。如果此掩码不为空,那么它必须为8位(CV_8U)的数组,并且与images[i]有同样大小的尺寸,值为1的点将用来计算直方图。这里的非零掩码元素用于标记出统计直方图的数组元素数据。
参数5:OutputArray类型的hist,输出的计算出来的直方图,一个二维数组。
参数6:int类型dims,需要计算的直方图的维度,必须是正数,且不大于CV_MAX_DIMS。(32)
参数7:const int*类型的histSize,存放每个维度的直方图尺寸的数组。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。
参数8:const float**类型的ranges,表示每一个维度数组(第6个参数dims)的每一维的边界阵列,可以理解为每一维数值的取值范围。比如 float rang1[] = {0, 20};float rang2[] = {30, 40};  const float*rangs[] = {rang1, rang2};那么就是对0,20和30,40范围的值进行统计。
参数9:bool类型的uniform,表示直方图是否均匀的标识符,即每一个竖条的宽度是否相等。有默认值true。
参数10:bool类型的accumulate,累计标识符,有默认值false。若其为true,直方图在配置阶段不会被清零。此功能主要是允许从多个阵列中计算单个直方图,或者用于在特定的时间更新直方图。
=====================间隔线======================
归一化:normalize()函数
功能:缩放和移位数组元素,以便指定的标准(alpha)或最小(alpha)和最大(beta)数组值获得指定的值。

1 void normalize( InputArray src, OutputArray dst, double alpha=1, double beta=0,
2                              int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray());

参数解释:
参数1:InputArray类型的src,输入数组(图像)。
参数2:OutputArray类似的dst,输出数组(图像),与输入图像类型尺寸一样。
参数3:alpha,表示range normalization模式的最小值。有默认值为1。
参数4:beta,表示range normalization模式的最大值,不用于norm normalization(范数归一化)模式。有默认值为0。
参数5:normType,表示归一化的类型,可以有以下的取值:
---------------NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围,线性归一化,一般较常用。
---------------NORM_INF:此类型的定义没有查到,根据OpenCV 1的对应项,可能是归一化数组的C-范数(绝对值的最大值)。
---------------NORM_L1:归一化数组的L1-范数(绝对值的和)。
---------------NORM_L2:归一化数组的(欧几里德)L2-范数。
参数6:有默认值为-1。dtype为负数时,输出数组的type与输入数组的type相同;否则,输出数组与输入数组只是通道数相同,而tpye=CV_MAT_DEPTH(dtype)。
参数7:操作掩膜,用于指示函数是否仅仅对指定的元素进行操作。
=====================间隔线======================
绘图方法详情请看官方文档:  基本绘图
=======================分割线=====================
4-代码演示

 1 //----------------------------------------------------------
 2 //功能:BGR三通道直方图实现
 3 //----------------------------------------------------------
 4  
 5 #include <opencv2/core/core.hpp>                        
 6 #include <opencv2/highgui/highgui.hpp>                        
 7 #include <opencv2/imgproc/imgproc.hpp>                       
 8 #include <iostream>     
 9 using namespace std;
10 using namespace cv;
11  
12 int main()
13 {
14     //------------【1】读取源图像并检查图像是否读取成功--------------------------------       
15     Mat srcImage = imread("D:/OutPutResult/ImageTest/aurora.jpg");
16     if (!srcImage.data)
17     {
18         cout << "读取图片错误,请重新输入正确路径!
";
19         system("pause");
20         return -1;
21     }
22     namedWindow("【源图像-RGB颜色空间】");
23     imshow("【源图像-RGB颜色空间】", srcImage);
24     //-------------【2】图像通道的分离,3个通道B、G、R------------------------
25     vector<Mat> rgb_channel;
26     split(srcImage, rgb_channel);
27     //-------------【3】初始化直方图计算参数---------------------------------------
28     int bins = 256;
29     int histsize[] = { bins };
30     float range[] = { 0, 256 };
31     const float* histRange = { range };
32     Mat  b_Hist, g_Hist, r_Hist;
33     //-------------【4】计算各个通道的直方图--------------------------------------
34     calcHist(&rgb_channel[0], 1, 0, Mat(), b_Hist, 1, histsize, &histRange, true, false); //B-通道
35     calcHist(&rgb_channel[1], 1, 0, Mat(), g_Hist, 1, histsize, &histRange, true, false); //G-通道
36     calcHist(&rgb_channel[2], 1, 0, Mat(), r_Hist, 1, histsize, &histRange, true, false); //R-通道
37     //-------------【5】设置直方图绘图参数----------------------------------------------------
38     int hist_h = 360;
39     int hist_w = bins * 3;
40     int bin_w = cvRound((double)hist_w / bins);
41     Mat histImage(hist_h, hist_w, CV_8UC3, Scalar(0, 0, 0));//创建一个黑底的图像,为了可以显示彩色,所以该绘制图像是一个8位的3通道图像  
42     //-------------【6】将直方图归一化到[0,histImage.rows]  ------------------------------------------------------------------------------
43     normalize(b_Hist, b_Hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());  //B-通道
44     normalize(g_Hist, g_Hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());  //G-通道
45     normalize(r_Hist, r_Hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());  //R-通道
46     //--------------【7】绘制直方图  ----------------------------------------------------------------
47     for (int i = 1; i < bins; i++)
48     {
49         //绘制B通道的直方图信息
50         line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(b_Hist.at<float>(i - 1))), Point(bin_w*(i), hist_h - cvRound(b_Hist.at<float>(i))), Scalar(255, 0, 0), 2, 8, 0);
51         //绘制G通道的直方图信息
52         line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(g_Hist.at<float>(i - 1))), Point(bin_w*(i), hist_h - cvRound(g_Hist.at<float>(i))), Scalar(0, 255, 0), 2, 8, 0);
53         //绘制R通道的直方图信息
54         line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(r_Hist.at<float>(i - 1))), Point(bin_w*(i), hist_h - cvRound(r_Hist.at<float>(i))), Scalar(0, 0, 255), 2, 8, 0);
55     }
56     namedWindow("【RGB直方图】");
57     imshow("【RGB直方图】", histImage);
58     waitKey(0);
59     return 0;
60 }

=================================分割线======================

5-显示结果

技术图片

==============================分割线================================

6-程序说明

先把源图像的通道进行分离,0-通道为B;1-通道为G;2-通道为R。然后计算每个通道的直方图并绘制显示处理。

 

技术图片

以上是关于OpenCV RGB直方图计算与绘制----calcHist()函数normalize()函数的主要内容,如果未能解决你的问题,请参考以下文章

使用OpenCV,Numpy计算直方图,Matplot绘制直方图及分析

使用Python,Opencv进行二维直方图的计算及绘制

OpenCV——直方图计算绘制和对比匹配

利用OpenCV的函数calcHist()计算出图像的直方图数据后绘制图像的直方图

利用OpenCV的函数calcHist()计算出图像的直方图数据后绘制图像的直方图

opencv —— calcHistminMaxLoc 计算并绘制图像直方图寻找图像全局最大最小值