opencv中的直方图弄的一点小复杂，看了好几天还是有点不明白，尤其是后面涉及多维直方图的时候，算了还是一步一步的重新看一下吧。
一 直方图基本操作
1 CvHistogram
CvHistogram
typedef struct CvHistogram
{
int type;
CvArr* bins; //存放每个灰度级数目的数组指针 实际上是 mat->data的数据
float thresh[CV_MAX_DIM][2]; //均匀直方图 中每个bin的边界
float** thresh2; //非均匀直方图
CvMatND mat; //直方图数组的内部数据结构
}
CvHistogram;
thresh是一个二维数据，里面存储每个bin的上下边界，对于非均匀直方图，存储在thresh2中，直方图的数据主要存储在CvMatND结构中，bins中其实就是指向CvMatND中
的data数据指针，对于密集矩阵，可以通过CvMatND mat直接访问直方图数据
cvCreateHist
CvHistogram* cvCreateHist
(
int dims, //直方图维数
int* sizes,//直翻图维数尺寸
int type, //直方图的表示格式
float** ranges=NULL, //图中方块范围的数组
int uniform=1 //归一化标识
);
sizes必须为整数数组，长度等于dims的大小，每个整数表示对应维数分配的bin个数。例如dims =2， sizes = [255,255],表示2维都是255个bin。
type指定直方图存储的数据结构，CV_HIST_ARRAY 意味着直方图数据表示为多维密集数组 CvMatND; CV_HIST_TREE 意味着直方图数据表示为多维稀疏数组 CvSparseMat。
ranges是有浮点数构成，表明每个维度的统计范围，数组个数和dims相等，也和uniform的值相关。当uniform=1时，表示直方图是均匀的，那么rangs只用给出整个维度统计的上下限，程序会根据这个总范围和维数决定每个bin的统计区间，例如uniform=1，dim =1 ， sizes = 2 , rangs = [0,10],那么直方图中有2个bin的统计区间分别为[0 5] , [5 10] ；另一个复杂点的例子
int dims = 2 ；
int h_bins = 8, s_bins = 8;
int hist_size[] = {h_bins, s_bins}; //每个维度的bin数目
float h_ranges[] = { 0, 180 }; //统计区间
float s_ranges[] = { 0, 255 };
float* ranges[] = { h_ranges, s_ranges };//两个维度的统计区间
int uniform = 1 ;
当uniform=0时直方图是非均匀的，需要用数组对来表示，如果某维数里面有N个bin，需要N+1个数表示，例如，uniform=0，dim =4 ， sizes = 1 ,
rangs = [0,2,4,9,10] ,对应的每个bin的统计区级为[0 2] [2 4] [4 9] [9 10] .
3 直方图释放
void cvReleaseHist( CvHistogram** hist ); //函数 cvReleaseHist 释放直方图 (头和数据). 指向直方图的指针被函数所清空。如果 *hist 指针已经为 NULL, 则函数不做任何事情。
void cvClearHist( CvHistogram* hist ); //函数 cvClearHist 当直方图是稠密数组时将所有直方块设置为 0，当直方图是稀疏数组时，除去所有的直方块。
4.访问直方图的函数
一种是采用函数访问；double cvquerhistValue_nD(CvHistogram* hist,int*idex);
对于密集直方图可以采用直接访问的
int n_dimension = histogram->mat.dims;
int dim_i_nbins = histogram->mat.dim[ i ].size;
// uniform histograms
int dim_i_bin_lower_bound = histogram->thresh[ i ][ 0 ];
int dim_i_bin_upper_bound = histogram->thresh[ i ][ 1 ];
// nonuniform histograms
int dim_i_bin_j_lower_bound = histogram->thresh2[ i ][ j ];
int dim_j_bin_j_upper_bound = histogram->thresh2[ i ][ j+1 ];
5.计算直方图
void cvCalcHist( IplImage** image, CvHistogram* hist, int accumulate=0, const CvArr* mask=NULL );
image为单通道的IplImage图像指针，多通道图像使用splid函数分开计算即可。accumulate说明直方图是否需要在计算前清零，如果为1则允许
cvCalcHist在一个数据采集循环中北多次调用。
6.直方图中的最大值最小值
cvGetMinMaxHistValue
void cvGetMinMaxHistValue( const CvHistogram* hist,
float* min_value, float* max_value,
int* min_idx=NULL, int* max_idx=NULL );
hist
直方图
min_value
直方图最小值的指针
max_value
直方图最大值的指针
min_idx
数组中最小坐标的指针
max_idx
数组中最大坐标的指针
函数 cvGetMinMaxHistValue 发现最大和最小直方块以及它们的位置。任何输出变量都是可选的。在具有同样值几个极值中，返回具有最小下标索引（以字母排列顺序定）的那一个。
实例1：灰度图像的直方图显示（1维直方图，256灰度）
灰度直翻图计算
IplImage * src= cvLoadImage("24.jpg");
IplImage* gray_plane = cvCreateImage(cvGetSize(src),8,1);
cvCvtColor(src,gray_plane,CV_BGR2GRAY);
int hist_size = 256; //直方图尺寸
int hist_height = 256;
float range[] = {0,255}; //灰度级的范围
float* ranges[]={range};
//创建一维直方图，统计图像在[0 255]像素的均匀分布
CvHistogram* gray_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1);
//计算灰度图像的一维直方图
printf("dim:%d\n",gray_hist->mat.dims); //访问直方图
printf("num of bin:%d\n",gray_hist->mat.dim[0].size);
printf("low of dim:%f\n",gray_hist->thresh[0][0]);
printf("up of dim:%f\n",gray_hist->thresh[0][1]);
cvCalcHist(&gray_plane,gray_hist,0,0);
for (UINT i = 0 ; i < gray_hist->mat.dim->size ; i ++) //访问直方图
{
printf("%d_bin:%f-----",i+1,cvQueryHistValue_1D(gray_hist,i));
printf("%d_bin:%f\n",i + 1 ,*(gray_hist->mat.data.fl + i));
}
//归一化直方图
cvNormalizeHist(gray_hist,1.0);
int scale = 2;
//创建一张一维直方图的“图”，横坐标为灰度级，纵坐标为像素个数（*scale）
IplImage* hist_image = cvCreateImage(cvSize(hist_size*scale,hist_height),8,3);
cvZero(hist_image);
//统计直方图中的最大直方块
float max_value = 0;
cvGetMinMaxHistValue(gray_hist, 0,&max_value,0,0);
//分别将每个直方块的值绘制到图中
for(int i=0;i<hist_size;i++)
{
float bin_val = cvQueryHistValue_1D(gray_hist,i); //像素i的概率
int intensity = cvRound(bin_val*hist_height/max_value); //要绘制的高度
cvRectangle(hist_image,
cvPoint(i*scale,hist_height-1),
cvPoint((i+1)*scale - 1, hist_height - intensity),
CV_RGB(255,255,255));
}
cvNamedWindow( "GraySource", 1 );
cvShowImage("GraySource",gray_plane);
cvNamedWindow( "H-S Histogram", 1 );
cvShowImage( "H-S Histogram", hist_image );
cvWaitKey(0);
输出结果
二维直方图
IplImage * src= cvLoadImage("5.jpg");
IplImage* r_plane = cvCreateImage( cvGetSize(src), 8, 1 );
IplImage* g_plane = cvCreateImage( cvGetSize(src), 8, 1 );
IplImage* b_plane = cvCreateImage( cvGetSize(src), 8, 1 );
IplImage* planes[] = { r_plane, g_plane };
//将HSV图像分离到不同的通道中
cvCvtPixToPlane( src, b_plane, g_plane, r_plane, 0 );
// 生成二维直方图数据结构
int r_bins =256, b_bins = 256;
CvHistogram* hist;
int hist_size[] = { r_bins, b_bins };
float r_ranges[] = { 0, 255 };
float b_ranges[] = { 0, 255 };
float* ranges[] = { r_ranges,b_ranges };
hist = cvCreateHist( 2, hist_size, CV_HIST_ARRAY, ranges, 1);
//计算一张或多张单通道图像image(s) 的直方图
cvCalcHist( planes, hist, 0, 0 );
int scale = 2;
//创建一张一维直方图的“图”，横坐标为灰度级，纵坐标为像素个数（*scale）
IplImage* hist_image = cvCreateImage(cvSize(r_bins * scale, b_bins * scale),8,3);
cvZero(hist_image);
//统计直方图中的最大直方块
float max_value = 0;
cvNormalizeHist(hist,1.0);
cvGetMinMaxHistValue(hist, 0,&max_value,0,0);
for( int h = 0; h < r_bins; h++ )
{
for( int s = 0; s < b_bins; s++ )
{
float bin_val = cvQueryHistValue_2D( hist, h, s ); //查询直方块的值
int intensity = cvRound( bin_val * 255 / max_value );
cvRectangle( hist_image,
cvPoint( h*scale, s*scale ),
cvPoint( (h+1)*scale - 1, (s+1)*scale - 1),
CV_RGB(intensity,intensity,intensity),
CV_FILLED);
}
}
cvNamedWindow( "Source");
cvShowImage("Source",src);
cvNamedWindow( "H-S Histogram", 1 );
cvShowImage( "H-S Histogram", hist_image );
cvWaitKey(0);
处理的显示形式不是opencv例子那里的形式，这里采用R分量为X轴，B分量为Y轴，r,b中存储的量为X Y分别为响应值的统量，如下图，里面全部是红色，B分量只有一点，所有直翻图中的X轴（R分量）靠后，Y轴（B分量）很小
