乞丐哥的私房菜（Ubuntu OpenCV篇——Image Processing 节 之 Histogram Calculation 直方图计算）二十二

• 操作系统：手机安装 Termux ,Termux 内安装 ubuntu
  • Termux 0.119.0-beta.3
  • 内嵌 ubuntu 24.04
• 编译器：GNU g++ 14.2.0
• 编辑器：Emacs 29.3
• OpenCV：4.13.0

目标

• 使用 OpenCV 函数 cv::split 将图像划分为其对应的平/层面
• 使用 OpenCV 函数 cv::calcHist 计算图像数组的直方图
• 使用函数 cv::normalize 规范化数组

理论

再谈什么是直方图？

• 直方图是收集的数据计数，组织到一组预定义的箱中
• 当我们说数据时，我们并没有将其限制为强度值（正如我们在之前的教程直方图均衡中看到的那样）。收集的数据可以是您认为对描述图像有用的任何特征。
• 让我们看一个例子。想象一下，矩阵包含图像信息（即范围内的强度(0-255)）:
  
• 如果我们想以有组织的方式计算这些数据会发生什么？由于我们知道这种情况下的信息值范围是 256 个值，因此我们可以将范围分割为子部分（称为箱），如下所示：
  $$\begin{array}{l}[0,255]=[0,15]\cup [16,31]\cup ....\cup [240,255]\\ range=bi{n}_1\cup bi{n}_2\cup ....\cup bi{n}_{n=15}\end{array}$$
• 我们可以计算落在每个范围内的像素数 $bi{n}_i$ 。将其应用于上面的示例，我们得到下图（轴 x 代表箱，轴 y 代表每个箱中的像素数）
  
• 这只是直方图如何工作以及为什么它有用的一个简单示例。直方图不仅可以计算颜色强度，还可以计算我们想要测量的任何图像特征（即渐变、方向等）
• 让我们确定直方图的某些部分：
  1. dims：要收集数据的参数数。在我们的示例中，dims = 1，因为我们只计算每个像素的强度值（在灰度图像中）
  2. bins：它是每个 dim 中的细分数。在我们的示例中，bins = 16
  3. range：要测量的值的限制。在本例中：范围 = [0,255]

OpenCV 为您提供什么？

出于简单的目的，OpenCV 实现了函数 cv::calcHist ，它计算一组数组（通常是图像或图像平面）的直方图。它最多可以在 32 个尺寸下运行。我们将在下面的代码中看到它

源代码

  #include "opencv2/highgui.hpp"
  #include "opencv2/imgcodecs.hpp"
  #include "opencv2/imgproc.hpp"
  #include <iostream>

  using namespace std;
  using namespace cv;

  int main(int argc, char** argv)
  {
    CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
    Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
    if( src.empty() )
      {
        return EXIT_FAILURE;
      }

    vector<Mat> bgr_planes;
    split( src, bgr_planes );

    int histSize = 256;

    float range[] = { 0, 256 }; //the upper boundary is exclusive
    const float* histRange[] = { range };

    bool uniform = true, accumulate = false;

    Mat b_hist, g_hist, r_hist;
    calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );
    calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, histRange, uniform, accumulate );
    calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, histRange, uniform, accumulate );

    int hist_w = 512, hist_h = 400;
    int bin_w = cvRound( (double) hist_w/histSize );

    Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );

    normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
    normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );

    for( int i = 1; i < histSize; i++ )
      {
        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  );
        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  );
        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  );
      }

    imshow("Source image", src );
    imshow("calcHist Demo", histImage );
    waitKey();

    return EXIT_SUCCESS;
  }

解释说明

• 加载图像

    CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
    Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
    if( src.empty() )
      {
        return EXIT_FAILURE;
      }
  

• 将源图像的三个 R、G 和 B 平面分开。为此，我们使用 OpenCV 函数 cv::split ：

    vector<Mat> bgr_planes;
    split（ src， bgr_planes ）;
  

• 现在我们准备好开始为每个平面配置直方图。由于我们正在使用 B、G 和 R 平面，因此我们知道我们的值将在区间内
• 确定箱数 （5， 10…）：

    int histSize = 256;
  

• 设置值范围

   float range[] = { 0, 256 }; //the upper boundary is exclusive
   const float* histRange[] = { range };

• 我们希望我们的箱具有相同的大小（统一），并在开始时清除直方图，因此：

    bool uniform = true, accumulate = false;
  

• 我们继续使用 OpenCV 函数 cv::calcHist 计算直方图：

    Mat b_hist, g_hist, r_hist;
    calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );
    calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, histRange, uniform, accumulate );
    calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, histRange, uniform, accumulate );
  

• 创建图像以显示直方图：

    int hist_w = 512, hist_h = 400;
    int bin_w = cvRound( (double) hist_w/histSize );
    Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );
  

• 请注意，在绘制之前，我们首先对直方图进行 cv::normalize ，使其值落在输入的参数指示的范围内：

    normalize（b_hist， b_hist， 0， histImage.rows， NORM_MINMAX， -1， Mat() );
    normalize（g_hist， g_hist， 0， histImage.rows， NORM_MINMAX， -1， Mat() );
    normalize（r_hist， r_hist， 0， histImage.rows， NORM_MINMAX， -1， Mat() );
  

• 注意，要访问 bin

    for( int i = 1; i < histSize; i++ )
      {
        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  );
        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  );
        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  );
      }
  

• 最后，我们显示直方图并等待用户退出：

    imshow("Source image", src );
    imshow("calcHist Demo", histImage );
    waitKey();
  

结果

• 源图像
  
• 生成的直方图