opencv 2.x学习笔记（十三）绘制直方图

简介

在上一篇文章中，我们知道了如何去进行直方图均衡化来增强图像。但是，相信大家会有一个疑惑，那就是如何获取一幅图像的直方图，今天，我们就简单的讲一下如何获取一幅图像的直方图。

想得到一幅图像的直方图很容易，简单的讲：我们可以通过下面几步来得到想要的结果。

1、加载一幅图像

2、设置一些参数

3、计算直方图

4、归一化(可选)

5、定义画布

6、绘制直方图

加载一幅图像很简单，我们已经知道，使用imread()函数来实现。那么第二步的设置参数，需要设置哪些参数呢？首先我们需要了解几个概念。

我们知道灰度图像的直方图就是对灰度图像的强度进行统计。那么首先我们要确定一下，我们需要把灰度值化为几类？如果化为两类，则可以定义为[0-127]，[128-255]。所划分区间的个数就称为bins。而要就算的的灰度的强度范围就称为range。对于灰度强度即为[0-255]。当然了，我们不仅可以利用直方图来统计灰度信息。还可以统计一副图像的其他信息。我们把要统计的每类信息称为特征空间。

我们在程序中这样来设置这些参数：

  /// 设置 bins
  int histSize = 256;

  /// 设置区间
  float range[] = { 0, 256 } ;
  const float* histRange = { range };

了解这些参数之后，我们进入下一步，计算直方图。毫无疑问，这是我们本篇中最主要的内容。也是我们最无从下手的内容。不过不用担心，OpenCV为我们包揽了这一切。我们可以使用calcHist()函数来轻松的完成这一步。calcHist()函数的原型如下：

//! computes the joint dense histogram for a set of images.
CV_EXPORTS 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 );

images：原图像数组，(我们输入图像可以不止一个)。

nimages：输入图像的个数。

channels：用于计算直方图的特征通道，第一个数组通道是从0到images[0].channels()-1，第二个数组通道是从images[0].channels()到images[0].channels+images[1].channels -1等等。

mask：掩码。如果mask不为空，那么它必须是一个8位（CV_8U）的数组，并且它的大小的和arrays[i]的大小相同，值为1的点将用来计算直方图。

hist：输出的直方图

dims:直方图的维数，必须为正数。

histSize：每一维直方图的尺寸，简单地讲，如果dims为1，则histSize即为bins。

ranges：用于进行统计的范围。

uniform：决定是否均匀分布bins。

accumulate：再次绘制直方图时，决定是否清除原来的痕迹。

我们在程序中这样使用该函数：

  bool uniform = true; 
  bool accumulate = false;
  Mat hist;
  /// 计算直方图
  calcHist( &gray_image, 1, 0, Mat(), hist, 1, &histSize, &histRange, uniform, accumulate );

紧接着我们需要进行归一化，之所以进行归一化是为了更好的去显示图像。我们可以使用normalize()函数来完成这一功能：

我们在程序中这样来使用：

  /// 归一化到 [ 0, histImage.rows ]
  normalize( hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );

第一个hist为输入数组，第二个hist为归一化后的输出数组，（支持就地计算）。0和histImage.rows为归一化的范围。

NORM_MINMAX为归一化的方法。-1表示归一化后的输出数组和输入数组同类型。

Mat()是可选的掩码。

之后我们就可以定义画布。即声明一个Mat类型的数组。

  // 创建画布
  int hist_w = 512; int hist_h = 400;
  int bin_w = cvRound( (double) hist_w/histSize );

  Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );

下面我们在画布上进行绘制直方图

  /// 绘制直方图
  for( int i = 1; i < histSize; i++ )
  {
	  rectangle( histImage, Point( bin_w*(i-1), hist_h - cvRound(hist.at<float>(i-1)) ),
		  Point( bin_w*(i), hist_h ), Scalar( 0, 0, 255 ), -1 );
  }

完整程序：

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>

using namespace std;
using namespace cv;

/**
 * @function main
 */
int main( int argc, char** argv )
{
  Mat src;

  if( argc != 2 )
  {
	  cout << "输入参数个数错误" << endl;
	  return -1;
  }

  /// 加载图像
  src = imread( argv[1], CV_LOAD_IMAGE_COLOR );
  Mat gray_image;  
  cvtColor(src, gray_image, CV_BGR2GRAY);

  if( !gray_image.data )
  { 
		cout << "图像加载失败" << endl;
		return -1;
  }

  /// 设置 bins
  int histSize = 256;

  /// 设置区间
  float range[] = { 0, 256 } ;
  const float* histRange = { range };

  bool uniform = true; 
  bool accumulate = false;
  Mat hist;
  /// 计算直方图
  calcHist( &gray_image, 1, 0, Mat(), hist, 1, &histSize, &histRange, uniform, accumulate );

  // 创建画布
  int hist_w = 512; int hist_h = 400;
  int bin_w = cvRound( (double) hist_w/histSize );

  Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );

  /// 归一化到 [ 0, histImage.rows ]
  normalize( hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );

  /// 绘制直方图
  for( int i = 1; i < histSize; i++ )
  {
	  rectangle( histImage, Point( bin_w*(i-1), hist_h - cvRound(hist.at<float>(i-1)) ),
		  Point( bin_w*(i), hist_h ), Scalar( 0, 0, 255 ), -1 );
  }

  namedWindow("calcHist Demo", CV_WINDOW_AUTOSIZE );
  imshow("calcHist Demo", histImage );

  waitKey(0);

  return 0;
}

运行结果：

我们使用上一篇文章中的图像进行测试，结果如下：

而均衡化后的图像的直方图如下：