前言

直方图统计的原理、直方图代表的图像特征、直方图的应用。

直方图作为图像处理的基础，是分析图像的基础工具。不可不了解

直方图是对像素数据统计的一种方法。它可以图示数据分布，可以描绘图像中每个亮度值的像素数。

直方图的作用：
1：对像素数据进行统计。这将可以了解整个图像的像素分布。进而分析图像的亮暗对比。
2：借助直方图来实现图像的二值化。

直方图的操作
1：归一化 normalize
直方图统计完成以后，我们需要对其进行进一步分析。倘若一个图片像素在某个区间内很均匀，但是在另一个区间内分布值很高或者很低。那么整体的直方图可能就不能显示出重要特征的灰度分布。为了可以灵活展现灰度分布，查看像素的占用比例，我们引用归一化的方式进行统计完后的处理。
归一化有很多种方式。normalize();中第五个参数给大家提供了5种归一化的方式。1：：无穷范数
2：：L1范数，绝对值之和 4：：L2范数及模长归一化 5：：L2范数平方 32：：偏移归一化

2：直方图比较
3：直方图均衡
4：直方图匹配
5：直方图反向投影
6：图像的模板匹配

在Opencv中，提供了图像直方图的统计函数calcHist()

一、直方图

二、使用步骤

1.引入库

绘制直方图（示例）：

#include<opencv2\opencv.hpp>
#include<iostream>using namespace std;
using namespace cv;

2.绘制直方图

绘制直方图（示例）：

int main1()
{Mat img;img = imread("apple.jpg");if (img.empty()){cout << "图像数据有问题" << endl;return -1;}Mat gray;cvtColor(img,gray,COLOR_BGR2GRAY);//以下为提取直方图的必要变量Mat hist;const int channels[1] = { 0 };//通道索引float inRanges[2] = { 0,255 };//每个通道灰度值的取值范围const float*ranges[1] = { inRanges };//像素的灰度值范围const int bins[1] = { 256 };//每个直方图数组的尺寸calcHist(&gray,1,channels,Mat(),hist,1,bins,ranges);  //统计函数//准备绘制直方图int hist_w = 512;//对应直方图的列，因绘制的宽度是2，即需要256*2int hist_h = 400;//对应行，若不进行归一化，则需要大于255int width = 2;//绘制的间隙Mat histImage = Mat::zeros(hist_h,hist_w,CV_8UC3);for (int i = 1; i <= hist.rows; i++){//简介：从图像的左下角开始绘制，即第一个点的坐标是0，hist_h-1。后面每个增width。  取整然后除以15是为了缩小范围，类似归一。rectangle(histImage,Point(width*(i-1),hist_h-1),Point(width*i-1,hist_h-cvRound(hist.at<float>(i-1)/15)),Scalar(255,255,255),-1);cout << hist.at<float>(i - 1) << endl;}namedWindow("直方图",WINDOW_NORMAL);imshow("直方图",histImage);waitKey(0);return 0;
}

//归一化
int main2()
{system("color F0");vector<double> positiveData = { 2.0,8.0,10.0 };//为了只管观察归一化，定义了一个数组vector<double> normalized_l1, normalized_L2, normalized_Inf, normalized_L2SQR;//测试不同的归一方法normalize(positiveData,normalized_l1,1.0,0.0,NORM_L1);cout << "normalized_L1" << normalized_l1[0] << ":" << normalized_l1[1] << ":" << normalized_l1[2] << ";;;;"<<endl;normalize(positiveData, normalized_L2, 1.0, 0.0, NORM_L2);cout << "normalized_L2" << normalized_L2[0] << "+" << normalized_L2[1] << "+" << normalized_L2[2] << endl;normalize(positiveData,normalized_Inf,1.0,0.0,NORM_INF);cout << "normalized_inf" << normalized_Inf[0] << "+" << normalized_Inf[1] << "+"  << normalized_Inf[2] << endl;normalize(positiveData, normalized_L2SQR, 1.0, 0.0, NORM_MINMAX);cout << "MINMAX" << normalized_L2SQR[0] << normalized_L2SQR[1] << normalized_L2SQR[2] << endl;//将图像直方图归一化//Mat img = imread("apple.jpg");Mat img(512, 512, CV_32FC3, Scalar(100, 100, 100));if (img.empty()){cout << "图像数据有问题" << endl;return -1;}imshow("apple",img);Mat gray, hist;cvtColor(img, gray, COLOR_BGR2GRAY);const int channels[1] = { 0 };float inRanges[2] = {0,255};const float*ranges[1] = { inRanges };const int bins[1] = { 256 };calcHist(&gray,1,channels,Mat(),hist,1,bins,ranges);int hist_w = 512;int hist_h = 400;int width = 2;Mat hisImage_L1 = Mat::zeros(hist_h,hist_w,CV_8UC3);Mat hisImage_Inf = Mat::zeros(hist_h, hist_w, CV_8UC3);Mat hist_L1, hist_Inf;normalize(hist,hist_L1,1,0,NORM_L1,-1,Mat());//hist_L1是一个行为256，列为1的矩阵。所以遍历了rows。每个矩阵的没一个点，代表了这个像素归一化的值。for (int i = 1; i < hist_L1.rows; i++){rectangle(hisImage_L1,Point(width*(i-1),hist_h-1),Point(width*i-1,hist_h-cvRound(30*hist_h*hist_L1.at<float>(i-1))-1),Scalar(255,255,255),-1);}normalize(hist,hist_Inf,1,0,NORM_INF,-1,Mat());for (int i = 1; i < hist_Inf.rows; i++){rectangle(hisImage_Inf,Point(width*(i-1),hist_h-1),Point(width*i-1,hist_h-cvRound(hist_h*hist_Inf.at<float>(i-1))-1),Scalar(255,255,255),-1);cout << hist_Inf.at<float>(i - 1) << endl;}namedWindow("L1归一化",WINDOW_NORMAL);imshow("L1归一化",hisImage_L1);namedWindow("INF归一化",WINDOW_NORMAL);imshow("INF归一化",hisImage_Inf);waitKey(0);return 0;}

//直方图的反向投影
void drawHist3(Mat &hist,int type,string name)
{int hist_w = 512;int hist_h = 400;int width = 2;Mat histImage = Mat::zeros(hist_h,hist_w,CV_8UC3);normalize(hist,hist,255,0,type,-1,Mat());namedWindow(name,WINDOW_NORMAL);imshow(name,hist);
}int main66()
{Mat img0 = imread("apple.jpg");Mat img1 = imread("sub.jpg");Mat img0_HSV, img1_HSV, hist0, hist1;if (img0.empty()||img1.empty()){cout << "图像数据有问题" << endl;waitKey(3000);return - 1;}cvtColor(img1,img1_HSV,COLOR_BGR2HSV);cvtColor(img0, img0_HSV, COLOR_BGR2HSV);int h_bins = 32; int s_bins = 32;int histSize[] = { h_bins,s_bins };//H通道为0-179float h_ranges[] = { 0,180 };//S通道float s_ranges[] = { 0,256 };//每个通道的范围const float*ranges[] = { h_ranges,s_ranges };//统计通道的索引int channels[] = { 0,1 };//绘制H-S 二维直方图//calcHist(&img0_HSV,1,channels,Mat(),hist0,2,histSize,ranges,true,false);calcHist(&img1_HSV, 1, channels, Mat(), hist0, 2, histSize, ranges, true, false);drawHist3(img0_HSV,NORM_INF,"hist00");//drawHist3(img1_HSV,NORM_INF,"hist1");double dur;clock_t start, end;start = clock();imwrite("111.png",img0);end = clock();dur = (double)(end - start);printf("Use Time:%f\n", (dur / CLOCKS_PER_SEC));Mat backproj;calcBackProject(&img0_HSV,1,channels,hist0,backproj,ranges,1.0);imshow("反向投影的结果",backproj);waitKey(0);return 0;}

//比较直方图
void drawingHist(Mat &hist,int type ,string name)
{int width = 2;int hist_h = 400;int hist_w = 512;Mat histImage = Mat::zeros(hist_h,hist_w,CV_8UC3);normalize(hist,hist,1,0,type,-1,Mat());for (int i = 1; i < hist.rows; i++){rectangle(histImage,Point(width*(i-1),hist_h-1),Point(width*(i-1),hist_h-cvRound(hist_h*hist.at<float>(i-1))-1),Scalar(255,255,255),-1);}imshow(name, histImage);}int main55()
{Mat img = imread("apple.jpg");if (img.empty()){cout << "图像数据有问题" << endl;return -1;}Mat gray, gray2, gray3, hist, hist2, hist3;cvtColor(img, gray,COLOR_BGR2GRAY);resize(gray,gray2,Size(),0.5,0.5);gray3 = imread("lena.png",IMREAD_GRAYSCALE);const int channels[1] = { 0 };float inRanges[2] = { 0,255 };const float*ranges[1] = { inRanges };const int bins[1] = { 256 };calcHist(&gray, 1, channels, Mat(), hist, 1, bins, ranges);calcHist(&gray2,1, channels, Mat(), hist2,1,bins,ranges);calcHist(&gray3,1, channels, Mat(), hist3,1,bins,ranges);drawingHist(hist,NORM_INF,"hist");drawingHist(hist2,NORM_INF,"hist2");drawingHist(hist3,NORM_INF,"hist3");//将原来的直方图和现在的直方图进行比较double histNumer = compareHist(hist,hist2,HISTCMP_CORREL);cout << histNumer << endl;double histN2 = compareHist(hist,hist3,HISTCMP_CORREL);cout << histN2 << endl;waitKey(0);return 0;
}

//直方图均衡
void  drawHist(Mat &hist,int type,string name)  //归一化并绘制直方图函数
{int hist_w = 600;int hist_h = 400;int width = 2;Mat histImage = Mat::zeros(hist_h,hist_w,CV_8UC3);normalize(hist,hist,1,0,type,-1,Mat());for (int i = 1; i < hist.rows; i++){rectangle(histImage,Point(width*(i-1),hist_h-1),Point(width*i-1,hist_h-cvRound(hist_h*hist.at<float>(i-1))-1),Scalar(255,255,255),-1);}imshow(name,histImage);
}int main4()
{Mat img = imread("gearwHeel.jpg");if (img.empty()){cout << "数据有问题" << endl;return -1;}Mat gray, hist, hist2;cvtColor(img,gray,COLOR_BGR2GRAY);Mat equalImg;equalizeHist(gray,equalImg);//将直方图均值化const int channels[1] = { 0 };float inRanges[2] = { 0,255 };const float*ranges[1] = {inRanges};const int bins[1] = { 256 };calcHist(&gray,1,channels,Mat(),hist,1,bins,ranges);calcHist(&equalImg,1,channels,Mat(),hist2,1,bins,ranges);drawHist(hist,NORM_INF,"hist");drawHist(hist2,NORM_INF,"hist2");namedWindow("原图",WINDOW_NORMAL);imshow("原图",gray);imshow("均值化图",equalImg);waitKey(0);return 0;}

//图像的模板匹配
int main()
{Mat img = imread("4.Bmp");Mat temp = imread("6.Bmp");//待匹配的图，可以是从原图截取出来的一张图if (img.empty() || temp.empty()){cout << "图像数据有问题" << endl;waitKey(3000);return -1;}Mat result;matchTemplate(img,temp,result,TM_CCOEFF_NORMED);double maxVal, minVal;Point minLoc, maxLoc;//寻找匹配结果最大的值minMaxLoc(result,&minVal,&maxVal,&minLoc,&maxLoc);//绘制最佳的矩形rectangle(img,cv::Rect(maxLoc.x,maxLoc.y,temp.cols,temp.rows),Scalar(0,0,0),8);namedWindow("原图",WINDOW_NORMAL);imshow("原图",img);namedWindow("匹配图",WINDOW_NORMAL);imshow("匹配图",temp);namedWindow("result",WINDOW_AUTOSIZE);imshow("result",result);waitKey(0);return 0;
}

该处使用的url网络请求的数据。

总结

代码参考《OpenCV 4快速入门》冯振郭延宁吕跃勇

本门意在总结在本书学到的知识、复习。

亲测对于简单的，角度差异小的模板匹配，灰度匹配的效果还是可以的。

后期会抽时间进一步讲解此文的代码。以上代码欢迎交流

【图像处理直方图 OpenCV实现】相关推荐

Python的图像处理库(OpenCV，PIL，matplotlib和scikit-image)
目前接触过的python图像处理代码涉及到多种的图像库,其中最常用的当属opencv和PIL.惭愧的是,以前只是拿来用,却一直迷惑为什么不同的代码会选择不同的图像库.这些图像库的联系和区别又是什么 ...
图像处理实战--Opencv实现人像迁移
前言: Hello大家好,我是Dream. 今天来学习一下如何使用Opencv实现人像迁移,欢迎大家一起参与探讨交流~ 本文目录: 一.实验要求二.实验环境三.实验原理及操作 1.照片准备 2.图 ...
opencv 画矩形_图像处理之OpenCV的基础使用补充
基础到进阶,跨度有点大,我们还是先踏实基础吧.对图像的处理实际上还是对图像像素矩阵的处理,当然还需要点想象空间.上一篇文章我们介绍了opencv的最基本用法,能够实现图片的加载.生成.读取像素矩阵.三 ...
Python图像处理丨OpenCV+Numpy库读取与修改像素
本文分享自华为云社区<[Python图像处理] 二.OpenCV+Numpy库读取与修改像素>,作者: eastmount. 一.传统读取像素方法 1.灰度图像,返回灰度值. 返回值=图像 ...
《OpenCv视觉之眼》Python图像处理六 :Opencv图像傅里叶变换和傅里叶逆变换原理及实现
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
《OpenCv视觉之眼》Python图像处理五 :Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
数字图像处理——直方图累计
数字图像处理--直方图累计 %函数名称为Image_Hist,输入参数Image,输出参数Hist function [Hist] = Image_Hist(Image) %获取矩阵的行.列.波段数 ...
《OpenCv视觉之眼》Python图像处理七 :Opencv图像处理之高通滤波和低通滤波原理及构造
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
《OpenCv视觉之眼》Python图像处理十 :Opencv图像形态学处理之开运算、闭运算和梯度运算原理及方法
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...

【图像处理直方图 OpenCV实现】

文章目录

前言

一、直方图

二、使用步骤

1.引入库

2.绘制直方图

总结

【图像处理直方图 OpenCV实现】相关推荐

最新文章

热门文章

【图像处理 直方图 OpenCV实现】

文章目录

前言

一、直方图

二、使用步骤

1.引入库

2.绘制直方图

总结

【图像处理 直方图 OpenCV实现】相关推荐

最新文章

热门文章

【图像处理直方图 OpenCV实现】

【图像处理直方图 OpenCV实现】相关推荐