OpenCV（十八）：图像直方图

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