OpenCV直方图计算
2018-09-19 10:49 更新
目标
在本教程中,您将学习如何:
- 使用OpenCV函数cv :: split将图像分割成对应的平面。
- 使用OpenCV函数cv :: calcHist来计算图像数组的直方图
- 使用函数cv :: normalize对数组进行归一化
- 注意
- 在上一个教程(直方图均衡)中,我们讨论了一种称为“ 图像直方图”的特定类型的直方图。现在我们将在其更一般的概念中思考。
什么是直方图?
- 直方图是将数据组织成一组预定义仓的收集计数
- 当我们说数据时,我们并不把它限制为强度值(正如我们在前面的教程中看到的)。收集的数据可以是您发现有用的描述您的图像的任何功能。
- 我们来看一个例子。假设矩阵包含图像的信息(即范围内的强度):0−255
- 如果我们想以有组织的方式计算这些数据会怎么样?由于我们知道这种情况下的信息值范围是256个值,所以我们可以在子部分(称为bins)中划分我们的范围,如:
我们可以保持落在每个范围内的像素数量。将其应用于上述示例,我们得到下面的图像(x轴表示bins和轴y表示每个像素的数目)。
- 这只是一个简单的直方图的例子,为什么它是有用的。直方图不仅可以保持颜色强度的计数,还可以保持我们想要测量的任何图像特征(即梯度,方向等)。
- 我们来确定直方图的一些部分:
- dims:要收集数据的参数数。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)。
- bins:每个暗淡的细分数。在我们的例子中,bin = 16
- range:要测量的值的限制。在这种情况下:range = [0,255]
如果你想计算两个功能怎么办?在这种情况下,您生成的直方图将是一个3D图(其中x和y将为和 ,而z将每个组合的计数。这同样适用于更多的功能(当然会变得更棘手)。
OpenCV为您提供什么
为了简单起见,OpenCV实现了函数cv :: calcHist,它计算一组数组(通常是图像或图像平面)的直方图。它最多可以操作32个维度。我们将在下面的代码中看到它!
Code
- 这个程序是做什么的?加载图像使用函数cv :: split将图像分解为R,G和B平面通过调用函数cv :: calcHist计算每个1通道平面的直方图在窗口中绘制三个直方图
- 可下载的代码:点击这里
- 代码一览:
#include "opencv2/highgui.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
using namespace std;
using namespace cv;
int main(int argc, char** argv)
{
Mat src, dst;
String imageName( "../data/lena.jpg" ); // by default
if (argc > 1)
{
imageName = argv[1];
}
src = imread( imageName, IMREAD_COLOR );
if( src.empty() )
{ return -1; }
vector<Mat> bgr_planes;
split( src, bgr_planes );
int histSize = 256;
float range[] = { 0, 256 } ;
const float* histRange = { range };
bool uniform = true; bool accumulate = false;
Mat b_hist, g_hist, r_hist;
calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );
calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );
calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );
// Draw the histograms for B, G and R
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) );
normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
for( int i = 1; i < histSize; i++ )
{
line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at<float>(i-1)) ) ,
Point( bin_w*(i), hist_h - cvRound(b_hist.at<float>(i)) ),
Scalar( 255, 0, 0), 2, 8, 0 );
line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at<float>(i-1)) ) ,
Point( bin_w*(i), hist_h - cvRound(g_hist.at<float>(i)) ),
Scalar( 0, 255, 0), 2, 8, 0 );
line( histImage, Point( bin_w*(i-1), hist_h - cvRound(r_hist.at<float>(i-1)) ) ,
Point( bin_w*(i), hist_h - cvRound(r_hist.at<float>(i)) ),
Scalar( 0, 0, 255), 2, 8, 0 );
}
namedWindow("calcHist Demo", WINDOW_AUTOSIZE );
imshow("calcHist Demo", histImage );
waitKey(0);
return 0;
}
说明
- 创建必要的矩阵:
Mat src,dst;
- 加载源图像
src = imread( argv[1], 1 );
if( !src.data )
{ return -1; }
- 在三个R,G和B平面中分离源图像。为此,我们使用OpenCV函数cv :: split:
vector<Mat> bgr_planes;
split( src, bgr_planes );
我们的输入是要分割的图像(这种情况下有三个通道),输出是Mat的向量)
- 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 planes,我们知道我们的值将在间隔范围内[0,255]
建立箱数(5,10 ...):
int histSize = 256; //from 0 to 255
设置值的范围(如我们所说,在0到255之间)
float range[] = { 0, 256 } ; //the upper boundary is exclusive
const float* histRange = { range };
我们希望我们的箱子具有相同的尺寸(均匀),并在开始时清除直方图,所以:
bool uniform = true ; bool accumulate = false ;
最后,我们创建Mat对象来保存直方图。创建3(每个planes一个):
Mat b_hist,g_hist,r_hist;
我们继续使用OpenCV函数cv :: calcHist计算直方图:
calcHist(&bgr_planes [0],1,0,Mat(),b_hist,1,&histSize,&histRange,uniform,accumulate);
calcHist(&bgr_planes [1],1,0,Mat(),g_hist,1,&histSize,&histRange,uniform,accumulate);
calcHist(&bgr_planes [2],1,0,Mat(),r_hist,1,&histSize,&histRange,uniform,accumulate);
其中的论点是:
- **&bgr_planes [0]:**源数组(s)
- 1:源数组的数量(在这种情况下,我们正在使用1.我们可以在这里输入一个数组列表)
- 0:要测量的通道(dim)。在这种情况下,它只是强度(每个阵列是单通道),所以我们只写0。
- Mat():在源数组上使用的掩码(指示要忽略的像素的零)。如果未定义,则不使用它
- b_hist:要存储直方图的Mat对象
- 1:直方图维度。
- histSize:每个使用的维数的数量
- histRange:每个维度要测量的值的范围
- uniform和accumulate:纸箱尺寸相同,直方图在开始时清除。
- 创建一个图像以显示直方图:
// Draw the histograms for R, G and B
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) );
- 请注意,在绘制之前,我们首先cv ::归一化直方图,使其值落在由输入的参数指示的范围内:
normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
此函数接收这些参数:
- b_hist:输入数组
- b_hist:输出归一化数组(可以相同)
- 0和** histImage.rows:对于这个例子,它们是对r_hist **的值进行归一化的下限和上限
- NORM_MINMAX:指示归一化类型的参数(如上所述,它调整之前设置的两个限制之间的值)
- ** - 1:**意味着输出归一化数组将与输入的类型相同
- Mat():可选掩码
- 最后,观察到访问bin(在这种情况下在这个1D直方图中):
for( int i = 1; i < histSize; i++ )
{
line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at<float>(i-1)) ) ,
Point( bin_w*(i), hist_h - cvRound(b_hist.at<float>(i)) ),
Scalar( 255, 0, 0), 2, 8, 0 );
line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at<float>(i-1)) ) ,
Point( bin_w*(i), hist_h - cvRound(g_hist.at<float>(i)) ),
Scalar( 0, 255, 0), 2, 8, 0 );
line( histImage, Point( bin_w*(i-1), hist_h - cvRound(r_hist.at<float>(i-1)) ) ,
Point( bin_w*(i), hist_h - cvRound(r_hist.at<float>(i)) ),
Scalar( 0, 0, 255), 2, 8, 0 );
}
我们使用表达式:
b_hist.at < float >(i)
其中 i 表示尺寸。如果它是一个二维直方图,我们将使用如下:
b_hist.at<float>( i, j )
最后我们显示直方图,等待用户退出:
namedWindow("calcHist Demo", WINDOW_AUTOSIZE );
imshow("calcHist Demo", histImage );
waitKey(0);
return 0;
结果
- 作为输入参数使用如下所示的图像:
- 生成以下直方图:
以上内容是否对您有帮助:
更多建议: