OpenCV-图像处理（24、直方图计算）
直方图概念
上述直方图概念是基于图像像素值，其实对图像梯度、每个像素的角度、等一切图像的属性值，我们都可以建立直方图。这个才是直方图的概念真正意义，不过是基于图像像素灰度直方图是最常见的。
直方图最常见的几个属性：
- dims：要收集数据的参数数量。 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）。
- bin：它是每个暗淡的细分数量。 在我们的示例中，bin = 16
- range：要测量的值的限制。 在这种情况下：范围= [0,255]
API学习
-
split(// 把多通道图像分为多个单通道图像
const Mat &src, //输入图像
Mat* mvbegin）// 输出的通道图像数组 -
calcHist(
const Mat* images,//输入图像指针
int images,// 图像数目
const int* channels,// 通道数，要计算的通道数的下标，可以传一个数组 {0, 1} 表示计算第0通道与第1通道的直方图，此数组长度要与histsize ranges 数组长度一致
InputArray mask,//输入mask，可选。如有，则表示只计算mask元素值为255的位置的直方图
OutputArray hist,//输出的直方图数据
int dims,// 维数
const int* histsize,// 直方图级数 ，对应 bins
const float* ranges,// 值域范围
bool uniform,// true by default 是否归一化到 0-1 之间
bool accumulate// false by defaut
)
程序代码
#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
int main(int argc, char** argv)
{
Mat src;
// 1. 加载源图像
src=imread("E:/Experiment/OpenCV/Pictures/dog2.jpg");
imshow("input Image",src);
// 2. 在R、G、B平面中分离源图像，把多通道图像分为多个单通道图像。使用OpenCV函数cv::split。
vector<Mat> bgr_planes;
split(src, bgr_planes);// 把多通道图像分为多个单通道图像
printf("channels=%d\n", bgr_planes.size());//3通道，所以size也是3
imshow("channels_b", bgr_planes[0]);
imshow("channels_g", bgr_planes[1]);
imshow("channels_r", bgr_planes[2]);
// 3. 现在我们准备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，我们知道我们的值将在区间[0,255]范围内
int histBins = 256;//建立箱数（5,10 ......）
float range[] = { 0, 256 };//设置值的范围（在0到255之间）
const float * histRanges = range;//注意：函数形参 float ** 与 const float ** 是两种不同数据类型。
bool uniform = true, accumulate = false;//我们希望我们的箱子具有相同的尺寸（均匀）并在开头清除直方图
Mat b_hist, g_hist, r_hist;//calcHist计算出来的Mat中元素的最大值可能上几千，所以最好归一化后再绘制直方图
//使用OpenCV函数cv::calcHist计算直方图：
calcHist(&bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histBins, &histRanges, uniform, accumulate);//计算直方图
calcHist(&bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histBins, &histRanges, uniform, accumulate);
calcHist(&bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histBins, &histRanges, uniform, accumulate);
// 4. 归一化
int hist_cols = 400;
int hist_rows = 512;
int bin_w = hist_rows / histBins;
/*
normalize( // normalize函数作用为 归一化数据
InputArray src, // 输入数组
InputOutputArray dst, // 输出数组，数组的大小和原数组一致
double alpha = 1, // 1,用来规范值，2.规范范围，并且是下限
double beta = 0, // 只用来规范范围并且是上限
int norm_type = NORM_L2, // 归一化选择的数学公式类型
int dtype = -1, // 当为负，输出在大小深度通道数都等于输入，当为正，输出只在深度与输如不同，不同的地方由dtype决定
InputArray mask = noArray() // 掩码。选择感兴趣区域，选定后只能对该区域进行操作
);
值归一化举例说明: 参考博客 https://blog.csdn.net/cosmispower/article/details/64457406
src={10,23,71}，参数 beta 设为0，值的范围为 0-参数alpha 设置的值，例子中alpha设置为1
NORM_L1运算后得到 dst={0.096,0.221,0.683} NORM_* 的归一化公式参考上述博客
NORM_INF运算后得到 dst={0.141,0.324,1}
NORM_L2运算后得到 dst={0.133,0.307,0.947}
NORM_MINMAX运算得到 dst={0,0.377,1} P = Ak / (max(Ai)-min(Ai)) Ak等于最大最小Ai时，不按此公式计算，P直接等于1, 0
范围归一化时，beta必有值不等于0，范围为 alpha-beta ，alpha为下限(可为0也可非0)，beta为上限
*/
//请注意，在绘制之前，我们首先对直方图进行cv :: normalize，使其值落在输入参数指示的范围内：
normalize(b_hist, b_hist, 0, hist_cols, NORM_MINMAX, -1, Mat());//b_hist中元素的值转换到 0-hist_cols 之间
normalize(g_hist, g_hist, 0, hist_cols, NORM_MINMAX, -1, Mat());
normalize(r_hist, r_hist, 0, hist_cols, NORM_MINMAX, -1, Mat());//传参 0, hist_cols 或 hist_cols, 0 结果一致
// 5. 绘制直方图
Mat histImage(hist_rows, hist_cols, CV_8UC3, Scalar(0, 0, 0));
for (int i = 1; i < histBins; i++)
{
// cvRound 四舍五入，返回整型值
line(histImage, Point((i - 1)*bin_w, hist_cols - cvRound(b_hist.at<float>(i - 1))),
Point(i*bin_w, hist_cols - cvRound(b_hist.at<float>(i))), Scalar(255, 0, 0), 2, LINE_AA);
line(histImage, Point((i - 1)*bin_w, hist_cols - cvRound(g_hist.at<float>(i - 1))),
Point(i*bin_w, hist_cols - cvRound(g_hist.at<float>(i))), Scalar(0, 255, 0), 2, LINE_AA);
line(histImage, Point((i - 1)*bin_w, hist_cols - cvRound(r_hist.at<float>(i - 1))),
Point(i*bin_w, hist_cols - cvRound(r_hist.at<float>(i))), Scalar(0, 0, 255), 2, LINE_AA);
}
// 6. 最后，我们显示直方图并等待用户退出：
imshow("histImage", histImage);
waitKey(0);
return 0;
}