c++视觉处理----绘制直方图，H—S直方图，二维H—S直方图，RGB三色直方图

枭玉龙2023-10-12 17:52

直方图：cv::calcHist()

cv::calcHist() 是 OpenCV 中用于计算直方图的函数。直方图是一种用于可视化图像亮度或颜色分布的工具。这函数通常应用于灰度图像或彩色图像的各个通道。以下是 cv::calcHist() 函数的基本语法和参数：

cpp 复制代码 
void cv::calcHist(
    const cv::Mat* images, // 输入图像的数组
    int nimages,           // 输入图像的数量
    const int* channels,   // 通道索引数组（可以为空）
    const cv::InputArray& mask, // 掩模图像（可以为空）
    cv::OutputArray& hist,      // 输出的直方图
    int dims,                 // 直方图的维数
    const int* histSize,      // 直方图的尺寸数组
    const float* ranges[],    // 直方图范围数组
    bool uniform = true,      // 直方图是否均匀分布
    bool accumulate = false   // 是否累积直方图
);

以下是参数的说明：

  • images：输入图像的数组，可以是一个或多个图像。
  • nimages：输入图像的数量，通常为1。
  • channels：通道索引数组，指定要计算直方图的通道。对于灰度图像，通常为0。对于彩色图像，通道索引可以是{0, 1, 2}，分别代表蓝色、绿色和红色通道。
  • mask：可选的掩模图像，用于限制计算直方图的区域。可以为空。
  • hist：输出的直方图。
  • dims：直方图的维数。通常为1。
  • histSize：直方图的尺寸数组，表示直方图的柱数。
  • ranges：直方图范围数组，指定直方图的范围。通常为{0, 256}，表示像素值的范围。
  • uniform：指定是否将直方图均匀分布，如果为true，每个直方柱的宽度相同。
  • accumulate：指定是否累积直方图，如果为true，直方图将被累积。

cv::calcHist() 函数用于计算直方图后，你可以进一步分析或可视化直方图数据。这对于图像处理、分析和计算机视觉任务非常有用。

以下是一个更完整的 cv::calcHist() 函数的示例，它将计算一幅图像的直方图并绘制出来。这个示例假定你已经读取了一幅图像，并且使用灰度图像计算直方图：

cpp 复制代码 
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>

int main() {
    // 读取图像
    cv::Mat image = cv::imread("your_image.jpg");

    if (image.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 将图像转换为灰度图像
    cv::Mat gray_image;
    cv::cvtColor(image, gray_image, cv::COLOR_BGR2GRAY);

    // 定义直方图的参数
    int histSize = 256; // 直方图中的条柱数量
    float range[] = {0, 256}; // 像素值范围
    const float* histRange = {range};

    // 计算直方图
    cv::Mat hist;
    cv::calcHist(&gray_image, 1, 0, cv::Mat(), hist, 1, &histSize, &histRange);

    // 创建一个空的直方图图像
    int hist_w = 512;
    int hist_h = 400;
    cv::Mat hist_image(hist_h, hist_w, CV_8UC3, cv::Scalar(0, 0, 0));

    // 归一化直方图
    cv::normalize(hist, hist, 0, hist_image.rows, cv::NORM_MINMAX, -1, cv::Mat());

    // 绘制直方图
    for (int i = 1; i < histSize; i++) {
        cv::line(hist_image, cv::Point(i - 1, hist_h - cvRound(hist.at<float>(i - 1))),
                 cv::Point(i, hist_h - cvRound(hist.at<float>(i))),
                 cv::Scalar(255, 255, 255), 2, 8, 0);
    }

    // 显示原始图像和直方图
    cv::namedWindow("Original Image", cv::WINDOW_AUTOSIZE);
    cv::imshow("Original Image", gray_image);

    cv::namedWindow("Histogram", cv::WINDOW_AUTOSIZE);
    cv::imshow("Histogram", hist_image);

    cv::waitKey(0);

    return 0;
}

这个示例将图像转换为灰度图像，计算其直方图，然后绘制直方图并显示原始图像以及对应的直方图。希望这个示例可以帮助你理解如何使用 cv::calcHist() 函数来计算和可视化图像的直方图。

绘制H---S直方图

cpp 复制代码 
#include <opencv2/opencv.hpp>

int main() {
    // 读取图像
    cv::Mat image = cv::imread("1.jpg");

    if (image.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 将图像转换为HSV颜色空间
    cv::Mat hsv_image;
    cv::cvtColor(image, hsv_image, cv::COLOR_BGR2HSV);

    // 分割H和S通道
    std::vector<cv::Mat> channels;
    cv::split(hsv_image, channels);

    // 定义直方图的参数
    int histSize = 256; // 直方图中的条柱数量
    float hRange[] = { 0, 256 }; // 色相通道的像素值范围
    const float* hHistRange = { hRange };
    float sRange[] = { 0, 256 }; // 饱和度通道的像素值范围
    const float* sHistRange = { sRange };

    // 计算H和S通道的直方图
    cv::Mat h_hist, s_hist;
    cv::calcHist(&channels[0], 1, 0, cv::Mat(), h_hist, 1, &histSize, &hHistRange);
    cv::calcHist(&channels[1], 1, 0, cv::Mat(), s_hist, 1, &histSize, &sHistRange);

    // 归一化直方图
    cv::normalize(h_hist, h_hist, 0, 255, cv::NORM_MINMAX, -1, cv::Mat());
    cv::normalize(s_hist, s_hist, 0, 255, cv::NORM_MINMAX, -1, cv::Mat());

    // 创建一个直方图图像
    int hist_w = 512;
    int hist_h = 400;
    cv::Mat hist_image(hist_h, hist_w, CV_8UC3, cv::Scalar(0, 0, 0));

    // 绘制H通道直方图
    for (int i = 1; i < histSize; i++) {
        cv::line(hist_image, cv::Point(i - 1, hist_h - cvRound(h_hist.at<float>(i - 1))),
            cv::Point(i, hist_h - cvRound(h_hist.at<float>(i))),
            cv::Scalar(0, 0, 255), 2, 8, 0);
    }

    // 绘制S通道直方图
    for (int i = 1; i < histSize; i++) {
        cv::line(hist_image, cv::Point(i - 1, hist_h - cvRound(s_hist.at<float>(i - 1))),
            cv::Point(i, hist_h - cvRound(s_hist.at<float>(i))),
            cv::Scalar(0, 255, 0), 2, 8, 0);
    }

    // 显示图像和H-S直方图
    cv::imshow("mage", image);
    cv::imshow("H-S Histogram", hist_image);

    cv::waitKey(0);

    return 0;
}

绘制二维H---S直方图

cpp 复制代码 
#include <opencv2/opencv.hpp>

int main() {
    // 读取图像
    cv::Mat image = cv::imread("1.jpg");

    if (image.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 将图像转换为HSV颜色空间
    cv::Mat hsv_image;
    cv::cvtColor(image, hsv_image, cv::COLOR_BGR2HSV);

    // 定义直方图的参数
    int h_bins = 30; // 色相通道的柱数
    int s_bins = 32; // 饱和度通道的柱数
    int histSize[] = {h_bins, s_bins};

    float h_range[] = {0, 180}; // 色相通道的范围
    float s_range[] = {0, 256}; // 饱和度通道的范围
    const float* ranges[] = {h_range, s_range};

    // 计算H-S直方图
    cv::MatND hist;
    int channels[] = {0, 1}; // 色相和饱和度通道
    cv::calcHist(&hsv_image, 1, channels, cv::Mat(), hist, 2, histSize, ranges, true, false);

    // 归一化直方图
    cv::normalize(hist, hist, 0, 1, cv::NORM_MINMAX, -1, cv::Mat());

    // 创建一个H-S直方图图像
    int hist_w = 512;
    int hist_h = 512;
    cv::Mat hist_image(hist_h, hist_w, CV_8UC3, cv::Scalar(0, 0, 0));

    // 绘制直方图
    for (int h = 0; h < h_bins; h++) {
        for (int s = 0; s < s_bins; s++) {
            float bin_val = hist.at<float>(h, s);
            int intensity = cvRound(bin_val * 255);
            cv::rectangle(hist_image, cv::Point(h * (hist_w / h_bins), s * (hist_h / s_bins)),
                          cv::Point((h + 1) * (hist_w / h_bins), (s + 1) * (hist_h / s_bins)),
                          cv::Scalar(intensity, intensity, intensity), -1);
        }
    }

    // 显示原始图像和H-S直方图
    cv::imshow("Image", image);
    cv::imshow("H-S Histogram", hist_image);

    cv::waitKey(0);

    return 0;
}

绘制RGB三色直方图

cpp 复制代码 
#include <opencv2/opencv.hpp>

int main() {
    // 读取图像
    cv::Mat image = cv::imread("1.jpg");

    if (image.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 定义直方图的参数
    int histSize = 256; // 直方图中的条柱数量
    float range[] = { 0, 256 }; // 像素值范围
    const float* histRange = { range };

    // 分割RGB通道
    std::vector<cv::Mat> channels;
    cv::split(image, channels);

    // 计算红色通道的直方图
    cv::Mat red_hist;
    cv::calcHist(&channels[2], 1, 0, cv::Mat(), red_hist, 1, &histSize, &histRange);

    // 计算绿色通道的直方图
    cv::Mat green_hist;
    cv::calcHist(&channels[1], 1, 0, cv::Mat(), green_hist, 1, &histSize, &histRange);

    // 计算蓝色通道的直方图
    cv::Mat blue_hist;
    cv::calcHist(&channels[0], 1, 0, cv::Mat(), blue_hist, 1, &histSize, &histRange);

    // 归一化直方图
    cv::normalize(red_hist, red_hist, 0, 255, cv::NORM_MINMAX, -1, cv::Mat());
    cv::normalize(green_hist, green_hist, 0, 255, cv::NORM_MINMAX, -1, cv::Mat());
    cv::normalize(blue_hist, blue_hist, 0, 255, cv::NORM_MINMAX, -1, cv::Mat());

    // 创建一个直方图图像
    int hist_w = 512;
    int hist_h = 400;
    cv::Mat hist_image(hist_h, hist_w, CV_8UC3, cv::Scalar(0, 0, 0));

    // 绘制红色通道直方图
    for (int i = 1; i < histSize; i++) {
        cv::line(hist_image, cv::Point(i - 1, hist_h - cvRound(red_hist.at<float>(i - 1))),
            cv::Point(i, hist_h - cvRound(red_hist.at<float>(i))),
            cv::Scalar(0, 0, 255), 2, 8, 0);
    }

    // 绘制绿色通道直方图
    for (int i = 1; i < histSize; i++) {
        cv::line(hist_image, cv::Point(i - 1, hist_h - cvRound(green_hist.at<float>(i - 1))),
            cv::Point(i, hist_h - cvRound(green_hist.at<float>(i))),
            cv::Scalar(0, 255, 0), 2, 8, 0);
    }

    // 绘制蓝色通道直方图
    for (int i = 1; i < histSize; i++) {
        cv::line(hist_image, cv::Point(i - 1, hist_h - cvRound(blue_hist.at<float>(i - 1))),
            cv::Point(i, hist_h - cvRound(blue_hist.at<float>(i))),
            cv::Scalar(255, 0, 0), 2, 8, 0);
    }

    // 显示原始图像和RGB三色直方图
    cv::imshow("mage", image);
    cv::imshow("RGB Histogram", hist_image);

    cv::waitKey(0);

    return 0;
}
相关推荐
浮生如梦_2 小时前
Halcon基于laws纹理特征的SVM分类
图像处理·人工智能·算法·支持向量机·计算机视觉·分类·视觉检测
深度学习lover2 小时前
＜项目代码＞YOLOv8 苹果腐烂识别＜目标检测＞
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
捕鲸叉5 小时前
创建线程时传递参数给线程
开发语言·c++·算法
A charmer5 小时前
【C++】vector 类深度解析：探索动态数组的奥秘
开发语言·c++·算法
Peter_chq5 小时前
【操作系统】基于环形队列的生产消费模型
linux·c语言·开发语言·c++·后端
青花瓷6 小时前
C++__XCode工程中Debug版本库向Release版本库的切换
c++·xcode
Eric.Lee20217 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
幺零九零零8 小时前
【C++】socket套接字编程
linux·服务器·网络·c++
捕鲸叉8 小时前
MVC（Model-View-Controller）模式概述
开发语言·c++·设计模式
其实吧38 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10红米手机使用google play