OpenCV开发笔记（四十七）：红胖子8分钟带你深入了解直方图（图文并茂+浅显易懂+程序源码）

红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中...（点击传送门）

      红胖子来也！！！

      在之前接触的相机录像中，遇到过白平衡，白平衡其实就是调整整个界面的亮度平衡，达到一个对比度合适的过程，原理其实就是直方图均衡化，在这之前先理解直方图的概念。

      单独深入理解直方图，是因为直方图不仅在静态图均衡化的时候有作用，在后面的识别和跟踪等更多的过程中，部分算法都需要直方图，比如相邻帧间的直方图分析对比等等，是后续动态视频识别处理的一个重要概念。

      关于直方图，其实在经典OTSU中的代码实现了计算，OTSU算法阈值化其实就是使用灰度图结合方差，计算出一个合适的阈值，使用该阈值做阈值化。

      《OpenCV开发笔记（三十）：带你学习图像识别之经典OTSU算法阈值化》

      直方图是一种对数据分布情况的图形表示，是一种二维统计图表，有两个坐标，按照当前图像出来来说，主要是氛围属性和值，属性可理解为灰度级（从0到255），值可理解为分布的数量（概率，该等级的灰度点数量占所有数量中的点比例），所以：

      直方图是图像中像素强度分布的图形表达方式；

      统计了每一个属性值的个数；

      （注意：可以各种彩色向量都可以做直方图处理，此处以灰度图举例）

计算灰度级中每个像素在整幅图像中的个数；

int grayScale[256] = {0}; // 每个灰度级所占像素的 double grayPro[256] = {0}; // 每个灰度级所占像素比例: 为 该像素出现的次数/总像素 // 步骤一：计算灰度级中每个像素在整幅图像中的个数；灰度级8位为256级别0~255 for(int row = 0; row < srcMat.rows; row++) { for(int col = 0; col < srcMat.cols; col++) { grayScale[srcMat.at(row, col)]++; } } 重载函数原型1 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 ); 参数一：const Mat*类型的images，它们都应该具有相同的深度，CV_8U、CV_16U或CV_32F类型尺寸是相同的大小。每一个image都可以有任意数量的通道； 参数二：int类型的nimages，参数一输图像的数量； 参数三：const int *类型的channels，用于计算直方图的dims通道的通道列表。第一个阵列通道从0计算到images [0].channels()-1，第二个数组通道从images[0].channels到images[0].channels()+images[1].channels()-1，依此类推； 参数四：InputArray类型的mask，如果矩阵不是空的，它必须是相同大小的8位数组作为image[i]。非零掩码元素用于标记出统计直方图的数组元素数据。 参数五：OuputArray类型的hist，hist输出直方图，是一个密集或稀疏的dims维数组； 参数六：int类型的dims，需要统计的特征的数目，dims直方图维数必须为正且不大于CV_MAX_DIMS（在当前的OpenCV3.4.0版本中等于32）； 参数七：const int *类型的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； 参数八：const float**类型的ranges，在每个维度中直方图边界的dims数组的范围数组，如灰度图则是range=[0,255]，可以理解为每一维数值的取值范围； 参数九：bool类型的uniform，指示直方图是否一致的统一标志，默认值为true； 参数十：bool类型的accumulate，累加标志。如果设置了直方图，则不会在开始时清除它，默认值为false； 重载函数原型2（参照函数原型1）

较函数1重载了参数5输出类型，由OutputArray改为SparseMat；

void calcHist( const Mat* images, int nimages, const int* channels, InputArray mask, SparseMat& hist, int dims, const int* histSize, const float** ranges, bool uniform = true, bool accumulate = false ); 重载函数原型3（参照函数原型1）

      重载了输入和输出的类型，为stl版本的，本身vector带了数量，因此少了几个参数；

void calcHist( InputArrayOfArrays images, const std::vector& channels, InputArray mask, OutputArray hist, const std::vector& histSize, const std::vector& ranges, bool accumulate = false ); 归一化 概述

归一化是指对矩阵cv::Mat进行归一化操作。

归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。 例如，滤波器中各个频率值以截止频率作归一化后，频率都是截止频率的相对值，没有了量纲。阻抗以电源内阻作归一化后，各个阻抗都成了一种相对阻抗值，“欧姆”这个量纲也没有了。等各种运算都结束后，反归一化一切都复原了。信号处理工具箱中经常使用的是nyquist频率，它被定义为采样频率的二分之一，在滤波器的阶数选择和设计中的截止频率均使用nyquist频率进行归一化处理。例如对于一个采样频率为500hz的系统，400hz的归一化频率就为400/500=0.8，归一化频率范围在[0,1]之间。

函数原型 void normalize( InputArray src, InputOutputArray dst, double alpha = 1, double beta = 0, int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray()); 参数一：InputArray类型的src，一般为mat； 参数二：InputOutputArray类型的dst，一般为mat，大小与src一样； 参数三：double类型的alpha，归一化的最大值，默认值1； 参数四：double类型的beta，归一化的最大值，默认值0； 参数五：int类型的norm_type，归一化类型，具体查看cv::NormTypes，默认为； 参数六：int类型的dtype，默认值-1，负数时，其输出矩阵与src类型相同，否则它和src有同样的通道数，且此时图像深度为CV_MAT_DEPTH。 参数七：InputArray类型的mask，可选的操作掩膜，默认值为noArray()； Demo源码 void OpenCVManager::testCalcHist() { QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/2.jpg"; cv::Mat srcMat = cv::imread(fileName1.toStdString()); cv::Mat dstMat; int width = 400; int height = 300; cv::resize(srcMat, srcMat, cv::Size(width, height)); cv::String windowName = _windowTitle.toStdString(); cvui::init(windowName); cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 2, srcMat.rows * 4), srcMat.type()); cv::Mat allMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); allMat = cv::Scalar(0, 0, 0); while(true) { // 刷新全图黑色 windowMat = cv::Scalar(0, 0, 0); // 原图复制 cv::Mat mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1), cv::Range(srcMat.cols * 0, srcMat.cols * 1)); cv::addWeighted(mat, 0.0f, srcMat, 1.0f, 0.0f, mat); // 计算直方图 { // 直方图存放,需要有东西，所以使用cv::MatND，其等于createHist cv::MatND dstHistRed; // 计算通道0，1，2（brg三个通道） int channels[] = {2}; // 直方图的条数 int hueBinNum = 256; int histSize[] = {hueBinNum}; // 变化范围 float range[] = {0, 256}; const float *ranges[] = {range}; // brg三个 cv::calcHist(&srcMat, // 只有1个mat 1, // 只有1个mat channels, // 只有1个mat的3个通道，bgr cv::Mat(), // 不使用掩码 dstHistRed, // 输出的目标直方图 1, // 计算直方图的维度 histSize, // 每个维度的直方图条数（例如灰度为一维，多少条） ranges, // 每个维度的范围 true, // 直方图是否均匀 false); // 累计标识符，false表示直方图在配置阶段会被清零 dstMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); dstMat = cv::Scalar(0, 0, 0); for(int index = 0; index < hueBinNum; index++) { cv::line(dstMat, cv::Point(15 + index, srcMat.rows), cv::Point(15 + index, srcMat.rows - dstHistRed.at(index)), cv::Scalar(0, 0, 255)); } // 原图复制 cv::Mat mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2), cv::Range(srcMat.cols * 0, srcMat.cols * 1)); cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat); // 计算出最大的，进行归一化操作 cv::normalize(dstHistRed, dstHistRed, 0, srcMat.rows, cv::NORM_MINMAX, -1, cv::Mat()); dstMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); dstMat = cv::Scalar(0, 0, 0); // 此处并没有进行归一化操作，像素总共为300*200个点 // 如果全是红色，则该店的数据能得到60000个点，实际显示图片的高度为300 for(int index = 0; index < hueBinNum; index++) { cv::line(dstMat, cv::Point(15 + index, srcMat.rows), cv::Point(15 + index, srcMat.rows - dstHistRed.at(index)), cv::Scalar(0, 0, 255)); // 右上角，三色统计图 cv::circle(allMat, cv::Point(15 + index, srcMat.rows - dstHistRed.at(index)), 1, cv::Scalar(0, 0, 255)); } // 原图复制 mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2), cv::Range(srcMat.cols * 1, srcMat.cols * 2)); cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat); } // 计算直方图 { // 直方图存放,需要有东西，所以使用cv::MatND，其等于createHist cv::MatND dstHistGreen; // 计算通道0，1，2（brg三个通道） int channels[] = {1}; // 直方图的条数 int hueBinNum = 256; int histSize[] = {hueBinNum}; // 变化范围 float range[] = {0, 256}; const float *ranges[] = {range}; // brg三个 cv::calcHist(&srcMat, // 只有1个mat 1, // 只有1个mat channels, // 只有1个mat的3个通道，bgr cv::Mat(), // 不使用掩码 dstHistGreen, // 输出的目标直方图 1, // 计算直方图的维度 histSize, // 每个维度的直方图条数（例如灰度为一维，多少条） ranges, // 每个维度的范围 true, // 直方图是否均匀 false); // 累计标识符，false表示直方图在配置阶段会被清零 dstMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); dstMat = cv::Scalar(0, 0, 0); for(int index = 0; index < hueBinNum; index++) { cv::line(dstMat, cv::Point(15 + index, srcMat.rows), cv::Point(15 + index, srcMat.rows - dstHistGreen.at(index)), cv::Scalar(0, 255, 0)); } // 原图复制 cv::Mat mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3), cv::Range(srcMat.cols * 0, srcMat.cols * 1)); cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat); // 计算出最大的，进行归一化操作 cv::normalize(dstHistGreen, dstHistGreen, 0, srcMat.rows, cv::NORM_MINMAX, -1, cv::Mat()); dstMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); dstMat = cv::Scalar(0, 0, 0); for(int index = 0; index < hueBinNum; index++) { cv::line(dstMat, cv::Point(15 + index, srcMat.rows), cv::Point(15 + index, srcMat.rows - dstHistGreen.at(index)), cv::Scalar(0, 255, 0)); // 右上角，三色统计图 cv::circle(allMat, cv::Point(15 + index, srcMat.rows - dstHistGreen.at(index)), 1, cv::Scalar(0, 255, 0)); } // 原图复制 mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3), cv::Range(srcMat.cols * 1, srcMat.cols * 2)); cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat); } // 计算直方图 { // 直方图存放,需要有东西，所以使用cv::MatND，其等于createHist cv::MatND dstHistBlue; // 计算通道0，1，2（brg三个通道） int channels[] = {0}; // 直方图的条数 int hueBinNum = 256; int histSize[] = {hueBinNum}; // 变化范围 float range[] = {0, 256}; const float *ranges[] = {range}; // brg三个 cv::calcHist(&srcMat, // 只有1个mat 1, // 只有1个mat channels, // 只有1个mat的3个通道，bgr cv::Mat(), // 不使用掩码 dstHistBlue, // 输出的目标直方图 1, // 计算直方图的维度 histSize, // 每个维度的直方图条数（例如灰度为一维，多少条） ranges, // 每个维度的范围 true, // 直方图是否均匀 false); // 累计标识符，false表示直方图在配置阶段会被清零 dstMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); dstMat = cv::Scalar(0, 0, 0); // 此处并没有进行归一化操作，像素总共为300*200个点 // 如果全是红色，则该店的数据能得到60000个点，实际显示图片的高度为300 for(int index = 0; index < hueBinNum; index++) { cv::line(dstMat, cv::Point(15 + index, srcMat.rows), cv::Point(15 + index, srcMat.rows - dstHistBlue.at(index)), cv::Scalar(255, 0, 0)); } // 原图复制 cv::Mat mat = windowMat(cv::Range(srcMat.rows * 3, srcMat.rows * 4), cv::Range(srcMat.cols * 0, srcMat.cols * 1)); cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat); // 计算出最大的，进行归一化操作 cv::normalize(dstHistBlue, dstHistBlue, 0, srcMat.rows, cv::NORM_MINMAX, -1, cv::Mat()); dstMat = cv::Mat(srcMat.rows, srcMat.cols, srcMat.type()); dstMat = cv::Scalar(0, 0, 0); // 此处并没有进行归一化操作，像素总共为300*200个点 // 如果全是红色，则该店的数据能得到60000个点，实际显示图片的高度为300 for(int index = 0; index < hueBinNum; index++) { cv::line(dstMat, cv::Point(15 + index, srcMat.rows), cv::Point(15 + index, srcMat.rows - dstHistBlue.at(index)), cv::Scalar(255, 0, 0)); // 右上角，三色统计图 cv::circle(allMat, cv::Point(15 + index, srcMat.rows - dstHistBlue.at(index)), 1, cv::Scalar(255, 0, 0)); } // 原图复制 mat = windowMat(cv::Range(srcMat.rows * 3, srcMat.rows * 4), cv::Range(srcMat.cols * 1, srcMat.cols * 2)); cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat); } // 原图复制 mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1), cv::Range(srcMat.cols * 1, srcMat.cols * 2)); cv::addWeighted(mat, 0.0f, allMat, 1.0f, 0.0f, mat); // 更新 cvui::update(); // 显示 cv::imshow(windowName, windowMat); // esc键退出 if(cv::waitKey(25) == 27) { break; } } } 工程模板：对应版本号v1.42.0

      对应版本号v1.42.0

.

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/105797267

红胖子(红模仿) 博客专家 原创文章 275获赞 499访问量 57万+ 关注 他的留言板 关注博主即可阅读全文
作者：红胖子(红模仿)

直方图 opencv 源码 程序