OpenCV（十八）：图像直方图

浅浅的花香味﹌ 2024-03-09 02:04 32阅读 0赞

**目录**

1.直方图统计

2.直方图均衡化

3.直方图匹配

--------------------

#### 1.直方图统计 ####

直方图统计是一种用于分析图像或数据的统计方法，它通过统计每个数值或像素值的频率分布来了解数据的分布情况。

![c9bd3fb9ace045d9bfbb0476b8a11a10.png][]

在OpenCV中，可以使用函数`cv::calcHist()`来计算图像的直方图。

calcHist() 函数的原型如下：

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

参数说明：

*  images: 输入图像数组，可以是单张图像或多张图像的数组。
 *  nimages: 输入图像的数量。
 *  channels: 要计算直方图的通道索引数组。例如，对于灰度图像，只有一个通道，因此 channels 设置为 \{0\}；而对于彩色图像，可以指定 \{0, 1, 2\} 对应于 B、G、R 三个通道。
 *  mask: 掩码图像，用于指定计算直方图的区域。如果不需要使用掩码，可以传入空的 Mat()。
 *  hist: 输出的直方图，用于存储计算结果。
 *  dims: 直方图的维度，通常为 1。
 *  histSize: 直方图的大小，即每个维度的条目数量。
 *  ranges: 直方图的范围，可以使用 \{0, 256\} 表示像素值范围为 \[0, 256)。
 *  uniform: 指示直方图条目是否均匀分布，默认为 true。
 *  accumulate: 指示是否累积直方图，默认为 false。

下面是一个示例代码，展示如何使用cv::calcHist()函数计算图像的直方图：

#include <opencv2/opencv.hpp>
    void hist(Mat image){
    // 定义直方图参数
    int histSize = 256; // 直方图条目数量
    const int channels[1]={0};//通道索引
    float range[] = { 0, 256 }; // 像素值范围
    const float* histRange = { range };
    bool uniform = true; // 直方图条目是否均匀分布
    bool accumulate = false; // 直方图是否累积
    // 计算直方图
    cv::Mat hist;
    cv::calcHist(&image, 1, channels, cv::Mat(), hist, 1, &histSize, &histRange, uniform, accumulate);
    
    // 绘制直方图
    int histWidth = 512;
    int histHeight = 400;
    int binWidth = cvRound((double)histWidth / histSize);
    cv::Mat histImage(histHeight, histWidth, CV_8UC4, cv::Scalar(0, 0, 0));
    cv::normalize(hist, hist, 0, histImage.rows, cv::NORM_MINMAX, -1, cv::Mat());
    for (int i = 1; i < histSize; ++i){
    cv::line(histImage, cv::Point(binWidth * (i - 1), histHeight - cvRound(hist.at<float>(i - 1))),
    cv::Point(binWidth * (i), histHeight - cvRound(hist.at<float>(i))),
    cv::Scalar(255, 255, 255), 2, 8, 0);
    }
    // 显示直方图
    cv::imwrite("/sdcard/DCIM/histImage.jpg", histImage);
    }

示例代码中将原图像image转换为单通道灰度图像。然后定义了直方图的参数，包括直方图条目数量、像素值范围、均匀性和累积性。接下来使用 cv::calcHist() 函数计算了图像的直方图，存储在 hist 中。最后，通过绘制直方图数据到 histImage 中，实现了直方图的可视化。

![c683e6fe04ff4538aac55c0c7eda67e7.png][]

#### 2.直方图均衡化 ####

直方图均衡化是一种用于增强图像对比度的图像处理技术。它通过重新分布图像像素值的频率分布来增强图像的亮度和细节。

在OpenCV中，可以使用cv::equalizeHist()函数来进行直方图均衡化。该函数的原型如下：

> void equalizeHist(InputArray src, OutputArray dst);

参数说明：

*  src:需要直方图均衡化的CV 8UC1图像。
 *  dst: 直方图均衡化后的输出图像，与src具有相同尺寸和数据类型

下面是一个示例代码，展示如何使用cv::equalizeHist()函数来进行直方图均衡化：

#include <opencv2/opencv.hpp>
    void drawHist(Mat &hist,string name){//归一化并绘制直方图函数
        int histSize = 256;  // 直方图条目数量
        // 绘制直方图
        int histWidth = 512;
        int histHeight = 400;
        int binWidth = cvRound((double)histWidth / histSize);
        cv::Mat histImage(histHeight, histWidth, CV_8UC4, cv::Scalar(0, 0, 0));
        cv::normalize(hist, hist, 0, histImage.rows, cv::NORM_MINMAX, -1, cv::Mat());
    
        for (int i = 1; i < histSize; ++i)
        {
            cv::line(histImage, cv::Point(binWidth * (i - 1), histHeight - cvRound(hist.at<float>(i - 1))),
                     cv::Point(binWidth * (i), histHeight - cvRound(hist.at<float>(i))),
                     cv::Scalar(255, 255, 255), 2, 8, 0);
        }
        // 显示直方图
        cv::imwrite("/sdcard/DCIM/"+name+".jpg", histImage);
    
    }
    void EqualImage(Mat image){
        //灰度化
        Mat gray;
        cvtColor(image,gray,COLOR_BGR2GRAY);
        //将灰度图进行直方图均衡化
        Mat equalImg;
        equalizeHist(gray,equalImg);
        cv::imwrite("/sdcard/DCIM/equalImg.jpg", equalImg);
        // 定义直方图参数
        int histSize = 256;  // 直方图条目数量
        const int channels[1]={0};//通道索引
        float range[] = { 0, 256 };  // 像素值范围
        const float* histRange = { range };
        bool uniform = true;  // 直方图条目是否均匀分布
        bool accumulate = false;  // 直方图是否累积
    
        // 计算直方图
        cv::Mat hist;
        cv::calcHist(&equalImg, 1, channels, cv::Mat(), hist, 1, &histSize, &histRange, uniform, accumulate);
    
        drawHist(hist,"hist1");
    
    }

示例代码中将原图像image转换为单通道灰度图像，然后将灰度图进行直方图均衡化，之后定义了直方图的参数，包括直方图条目数量、像素值范围、均匀性和累积性。接下来使用 cv::calcHist() 函数计算了图像的直方图，存储在 hist 中。最后，通过绘制直方图数据到 histImage 中，实现了直方图的可视化。

![e5a40c1ab6f74474b7c5ef78d38ab988.jpeg][]

#### 3.直方图匹配 ####

直方图匹配（Histogram Matching）是一种图像处理技术，用于将一副图像的直方图映射到另一副图像上，从而使它们的亮度分布或颜色分布相似。该技术常用于图像增强、风格转换、颜色校正等应用中。

以下是一个使用OpenCV实现直方图匹配的示例代码：

#include <opencv2/opencv.hpp>
    #include <iostream>
    
    using namespace cv;
    using namespace std;
    
    void drawHist(Mat &hist,string name){//归一化并绘制直方图函数
        int histSize = 256;  // 直方图条目数量
        // 绘制直方图
        int histWidth = 512;
        int histHeight = 400;
        int binWidth = cvRound((double)histWidth / histSize);
        cv::Mat histImage(histHeight, histWidth, CV_8UC4, cv::Scalar(0, 0, 0));
        cv::normalize(hist, hist, 0, histImage.rows, cv::NORM_MINMAX, -1, cv::Mat());
    
        for (int i = 1; i < histSize; ++i)
        {
            cv::line(histImage, cv::Point(binWidth * (i - 1), histHeight - cvRound(hist.at<float>(i - 1))),
                     cv::Point(binWidth * (i), histHeight - cvRound(hist.at<float>(i))),
                     cv::Scalar(255, 255, 255), 2, 8, 0);
        }
        // 显示直方图
        cv::imwrite("/sdcard/DCIM/"+name+".jpg", histImage);
    
    }
    void  Histogram_matching(Mat img1,Mat img2){
        Mat hist1,hist2;
        //计算两张图像直方图
        const int channels[1]={0};
        float inRanges[2]={0,255};
        const float *ranges[1]={inRanges};
        const int bins[1]={256};
        calcHist(&img1,1,channels,Mat(),hist1,1,bins,ranges);
        calcHist(&img2,1,channels,Mat(),hist2,1,bins,ranges);
        //归一化两张图像的直方图
        drawHist(hist1,"hist1");
        drawHist(hist2,"hist2");
        //计算两张图像直方图的累计概率
        float hist1_cdf[256]={hist1.at<float>(0)};
        float hist2_cdf[256]={hist2.at<float>(0)};
        for(int i=1;i<256;i++){
            hist1_cdf[i]=hist1_cdf[i-1]+hist1.at<float>(i);
            hist2_cdf[i]=hist2_cdf[i-1]+hist1.at<float>(i);
        }
        //构建累积概率误差矩阵
        float diff_cdf[256][256];
        for(int i=0; i<256; i++){
            for(int j=0; j<256; j++){
                diff_cdf[i][j] = fabs(hist1_cdf[i] - hist2_cdf[j]);
            }
        }
        uchar lutone[256];
        for(int i=0;i<256;i++){
            //查找源灰度级为i的映射灰度
            //和i的累积概率差值最小的规定化灰度
            float min=diff_cdf[i][0];
            int index=0;
            //寻找累积概率误差矩阵中每一行中的最小值
            for(int j=1;j<256;j++){
                if(min>diff_cdf[i][j]){
                    min=diff_cdf[i][j];
                    index=j;
                }
            }
            lutone[i]=index;
        }
        //生成LUT映射表
        Mat lut(1,256,CV_8UC1,lutone);
        Mat result,hist3;
        LUT(img1,lut,result);
        imwrite("/sdcard/DCIM/result.png",result);
        calcHist(&result,1,channels,Mat(),hist3,1,bins,ranges);
        drawHist(hist3,"hist3");
    
    }

示例代码：计算原始图像和目标图像的直方图，归一化直方图，计算累计直方图，构建累积概率误差矩阵，根据最小差值构建映射表，最后将原始图像的灰度级根据映射表调整为目标图像的灰度级。下面是原始图像和直方图匹配后图片，可以看出直方图匹配后的图片使得图像中的细节更加清晰可见。

![e989a3ff20174c859cf502c3367456e3.jpeg][] ![7e08aebed0e44efaa2fba540da151db0.jpeg][]

原图 直方图匹配的结果

[c9bd3fb9ace045d9bfbb0476b8a11a10.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/09/065c672838674d22a01d35664d3edf70.png
[c683e6fe04ff4538aac55c0c7eda67e7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/09/e19d51440e57487aa44080d47cd0c964.png
[e5a40c1ab6f74474b7c5ef78d38ab988.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/09/3bb2bbbb149d4df4a35710dee13cabbe.png
[e989a3ff20174c859cf502c3367456e3.jpeg]: https://img-blog.csdnimg.cn/e989a3ff20174c859cf502c3367456e3.jpeg
[7e08aebed0e44efaa2fba540da151db0.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/09/ff0ce49580e9470591bad397c2c26763.png