24 [图像直方图

24 图像直方图

opencv知识点：

  • 计算直方图数据 - calcHist
  • 四舍五入浮点数 - cvRound

本课所解决的问题：

  • 什么是图像直方图？
  • 如何绘制彩色图像的一维直方图？

1.图像直方图

图像有很多基础概念，在我们学习的过程中因为一些原因无法涉及，但这并不代表它们不重要

今天，我们就来介绍一个概念——图像直方图

图像直方图，是图像处理中很重要的一个基础概念，
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

图像直方图是图像像素值的统计学特征。
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。

图像直方图常见的分为：

  • 灰度直方图
  • 颜色直方图

示例如下

6a30dea05ec04dd8b158f775a4e33ef7 68efb9c7319f467f919b8f83cf8d6dc6

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。这种直方图中

  • 横坐标的左侧为纯黑、较暗的区域，
  • 右侧为较亮、纯白的区域。

因此一张较暗图片的直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。
CV 领域常借助图像直方图来实现图像的二值化。

图像直方图中，也有直方图的两个概念

  • bin——bin是的X轴上每一组的长度，比如组长为1，就是bin中包含1个像素值。

bin由bins和取值范围决定

  • bins——binsX轴上的组数，对于像素值取值在0~255之间，如果bins = 256，则bin = 1

此外对于该取值范围来说，bins还可以有16、32、48、128等。

但一定要满足，256除以bin的大小应该是整数

简单来说，图像直方图就是对图像像素数据进行统计的一种方法
一幅灰度图像：图像直方图将0-255不同值分布在坐标系的X轴上，对应像素值的数量分布在Y轴上。
当bins=256时，此时(100,50)，就表示值是100的像素有50个。

图像直方图可以唯一标识一张图像吗？

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。

那什么可以作为图像的"DNA"，唯一标识一张图像呢？

特征工程就可以，这种真正的特征描述值会把图像变成一堆向量。
有很多种的法可以做特征工程，比如传统图像处理的特征提取

本文涉及图像直方图的知识只是冰山一角，进阶知识的学习如下

2.绘制彩色图像的一维直方图

在opencv中，如果我们想绘制彩色图像的一维直方图，要用到两个API

  • calcHist
  • cvRound

介绍如下

calcHist#

calcHist
	计算一维数组的直方图（输入图像可以有多通道）
		共10个参数
			第1个参数 图像数组
			第2个参数 输入图像数量
			第3个参数 通道数组
			第4个参数 可选mask
			
			第5个参数 输出直方图数据（值与对应频次）的n维数组
			第6个参数 直方图维数

					当通道为1个时，我们选择维度为1维，此时直方图数据就为一维数组
					当维度为2个时，我们选择维度为2维，此时直方图数据就为二维数组
					………………
					也就是说，n张图像 每张图像m个通道 也可以计算出相应的直方图数据
					
					但对于绘制来说，一般都只绘制到2维，3维及以上就很复杂了

			第7个参数 histSize（ bins数组，x轴长度）
			第8个参数 ranges（取值范围数组）
			
			//以下参数暂时用不到
			第9个参数 指示直方图bin间隔是否一致
						默认为true，即等间隔取值
						如果为false，则range不能写{0,255}这种，就要写{1,1,……,1}这种
								
			第10个参数 累计标志（默认为false）
				    	当多张图像的时候，
				    		如果为true，则绘制直每张方图的时候，不会从头清空
				    		会在前者直方图的基础上继续

按照文档来说，我们可以计算多个图像，每个图像有多个通道的直方图数据
但这就涉及到了二维及二维以上直方图数据数组的计算，下一课中会介绍二维直方图

cvRound#

cvRound
	将浮点数四舍五入到最近的整数
		共1个参数
			第1个参数 要处理的浮点数

本课中计算的直方图维数为1维，采取方式为

  • 先把bgr三通道分离
  • 然后进行每个通道的直方图数据计算，得到一维数组
  • 再然后对直方图一维数组进行归一化处理
  • 最后利用直方图一维数组绘制直方图

为什么这里要归一化呢？

因为一张图中，有些值的频次会过大，不方便绘制直方图

为什么还要要利用得到的数据数组绘制，而不是直接显示它？

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
当我们用cout输出直方图数据，会得到256 * 1的列矩阵
直接显示这个数组的话就是如下。

df2c720699094bbc905888b6165cdf14

从下图可以看出，这还远远不够，我还们还要进一步的去绘制直方图

4dbc73efbc38487ab5f23a6fd93ed39a

3.绘制直方图演示

//函数定义
void showHistogram_demo(Mat& image);

//函数实现
void QuickDemo::showHistogram_demo(Mat& image) {

	//三通道分离
	std::vector<Mat> bgr;
	split(image, bgr);

	//定义参数变量
	const int channels[1] = { 0 };
	Mat b_hist, g_hist, r_hist;
	const int bins[1] = { 256 };

	float xrange[2] = { 0,255 };
	const float* ranges[1] = { xrange };

	//计算Blue,Green,Red三通道各自的直方图
	calcHist(&bgr[0], 1, channels, Mat(), b_hist, 1, bins, ranges);
	calcHist(&bgr[1], 1, channels, Mat(), g_hist, 1, bins, ranges);
	calcHist(&bgr[2], 1, channels, Mat(), r_hist, 1, bins, ranges);

	//imshow("00", b_hist);
	//std::cout << b_hist;

	//显示直方图
	int hist_w = 512;
	int hist_h = 400;
	int bin_w = cvRound((double)hist_w / bins[0]);
	Mat histImage = Mat::zeros(Size(hist_w, hist_h), CV_8UC3);

	//归一化直方图数据为指定范围
	normalize(b_hist, b_hist, 0, hist_h, NORM_MINMAX, -1, Mat());
	normalize(g_hist, g_hist, 0, hist_h, NORM_MINMAX, -1, Mat());
	normalize(r_hist, r_hist, 0, hist_h, NORM_MINMAX, -1, Mat());

	//绘制直方图曲线
	for (int i = 0; i < 256; i++) {

		Point p01(bin_w * i, hist_h - cvRound(b_hist.at<float>(i)));
		/*
		第一个点横向坐标：bin_w*i: 即 512/256 再 * i
		第二个点纵向坐标：直方图纵高 - 根据直方图纵高归一化后的频次，即为纵向坐标

						当频次很低时，减的少，就靠下，反之靠上
		*/
		//线段的下一个点
		Point p02(bin_w * i + 1, hist_h - cvRound(b_hist.at<float>(i + 1)));

		Point p11(bin_w * i, hist_h - cvRound(g_hist.at<float>(i)));
		Point p12(bin_w * i + 1, hist_h - cvRound(g_hist.at<float>(i + 1)));

		Point p21(bin_w * i, hist_h - cvRound(r_hist.at<float>(i)));
		Point p22(bin_w * i + 1, hist_h - cvRound(r_hist.at<float>(i + 1)));


		line(histImage, p01, p02, Scalar(255, 0, 0), 1, 8, 0);
		line(histImage, p11, p12, Scalar(0, 255, 0), 1, 8, 0);
		line(histImage, p21, p22, Scalar(0, 0, 255), 1, 8, 0);

	}

	imshow("直方图", histImage);

}
76d97c23b10545dd9ab933d9a89a6f55

本课所用API查阅

calcHist#

#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
using namespace cv;
int main( int argc, char** argv )
{
    Mat src, hsv;
    if( argc != 2 || !(src=imread(argv[1], 1)).data )
        return -1;
    cvtColor(src, hsv, COLOR_BGR2HSV);
    
     // 将色调量化为 30 级
    // 饱和度为 32 级
    int hbins = 30, sbins = 32;
    int histSize[] = {hbins, sbins};
    
    // 色调从 0 到 179 变化，见 cvtColor
    float hranges[] = { 0, 180 };
    
    // 饱和度从 0（黑-灰-白）到
    // 255（纯光谱颜色）
    float sranges[] = { 0, 256 };
    const float* ranges[] = { hranges, sranges };
    
    MatND hist;
    // 我们从第 0 和第 1 通道计算直方图
    int channels[] = {0, 1};
    calcHist( &hsv, 1, channels, Mat(), // 不使用掩码
             hist, 2, histSize, ranges,
             true, // 直方图是统一的
             false );
    double maxVal=0;
    minMaxLoc(hist, 0, &maxVal, 0, 0);
    int scale = 10;
    Mat histImg = Mat::zeros(sbins*scale, hbins*10, CV_8UC3);
    for( int h = 0; h < hbins; h++ )
        for( int s = 0; s < sbins; s++ )
        {
            float binVal = hist.at<float>(h, s);
            int intensity = cvRound(binVal*255/maxVal);
            rectangle( histImg, Point(h*scale, s*scale),
                        Point( (h+1)*scale - 1, (s+1)*scale - 1),
                        Scalar::all(intensity),
                        -1 );
        }
    namedWindow( "Source", 1 );
    imshow( "Source", src );
    namedWindow( "H-S Histogram", 1 );
    imshow( "H-S Histogram", histImg );
    waitKey();
}

cvRound#

posted @   L707  阅读(149)  评论(0)  编辑  收藏  举报
点击右上角即可分享
微信分享提示
AI FOR CODE 大赛
主题色彩