目录
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。
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。
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。
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。
原图 直方图匹配的结果