![cover](https://img-blog.csdnimg.cn/direct/9ea9a15737434960a8b032b67da83e4f.png)
OpenCV直方图计算(56)
·
返回:OpenCV系列文章目录(持续更新中......)
上一篇:OpenCV实现直方图均衡(55)
下一篇:OpenCV直方图比较(57)
在本教程中,您将学习如何:
- 使用 OpenCV 函数 cv::split 将图像划分为其对应平面。
- 使用 OpenCV 函数计算图像数组的直方图 cv::calcHist
- 使用函数 cv::normalize 规范化数组
注意
在上一个教程(直方图均衡)中,我们讨论了一种特殊的直方图,称为图像直方图。现在我们将从更一般的概念中考虑它。请继续阅读!
什么是直方图?
- 直方图是组织到一组预定义箱中的数据计数的集合
- 当我们说数据时,我们并没有将其限制为强度值(正如我们在上一教程直方图均衡中看到的那样)。收集的数据可以是您认为对描述图像有用的任何特征。
- 让我们看一个例子。想象一下,矩阵包含图像的信息即强度在(0-255)范围内:
- 如果我们想以有组织的方式计算这些数据,会发生什么?由于我们知道这种情况的信息值范围是 256 个值,因此我们可以将范围分割成子部分(称为箱),例如:
[0,255]=[0,15]∪[16,31]∪....∪[240,255]�����=���1∪���2∪....∪����=15
我们可以计算每个 \(bin_{i}\) 范围内的像素数。将其应用于上面的示例,我们得到下面的图像(轴 x 表示箱,轴 y 表示每个箱中的像素数)。
- 这只是直方图如何工作以及为什么它有用的简单示例。直方图不仅可以计算颜色强度,还可以计算我们想要测量的任何图像特征(即渐变、方向等)。
- 让我们确定直方图的某些部分:
- 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:是每个 dim 中的细分数量。在我们的示例中,bins = 16
- range:要测量的值的限值。在本例中:范围 = [0,255]
- 如果要计算两个功能怎么办?在这种情况下,生成的直方图将是一个 3D 图(其中 x 和 y 将是每个特征的 \(bin_{x}\) 和 \(bin_{y}\),z 将是 \((bin_{x}, bin_{y})\) 的每个组合的计数数)。这同样适用于更多功能(当然它会变得更棘手)。
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 个尺寸。我们将在下面的代码中看到它!
C++代码
- 这个程序是做什么的?
- 加载图像
- 使用函数 cv::split 将图像拆分为 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) { CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" ); Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR ); if( src.empty() ) { return EXIT_FAILURE; } vector<Mat> bgr_planes; split( src, bgr_planes ); int histSize = 256; float range[] = { 0, 256 }; //the upper boundary is exclusive const float* histRange[] = { range }; bool uniform = true, 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 ); int hist_w = 512, 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 ); } imshow("Source image", src ); imshow("calcHist Demo", histImage ); waitKey(); return EXIT_SUCCESS; }
解释
加载源图像
CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );
Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );
if( src.empty() )
{
return EXIT_FAILURE;
}
将源图像分隔到三个 R、G 和 B 平面中。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(在这种情况下有三个通道),输出是 Mat 的向量)
- 现在,我们已准备好开始配置每个平面的直方图。由于我们正在使用 B、G 和 R 平面,因此我们知道我们的值将在区间内范围内[0,255]
-
确定箱数 (5, 10...):
int histSize = 256;
设置值范围(正如我们所说,介于 0 和 255 之间)
float range[] = { 0, 256 }; //the upper boundary is exclusive
const float* histRange[] = { range };
我们希望我们的箱具有相同的大小(均匀),并在开始时清除直方图,因此:
bool uniform = true, accumulate = false;
我们继续使用 OpenCV 函数 cv::calcHist 计算直方图:
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 );
- 其中参数为 (C++ 代码):
- &bgr_planes[0]:源数组
- 1:源数组的数量(在本例中我们使用 1.我们也可以在这里输入数组列表:)
- 0:要测量的通道(暗淡)。在这种情况下,它只是强度(每个数组都是单通道的),所以我们只写 0。
- Mat():要在源数组上使用的掩码(零表示要忽略的像素)。如果未定义,则不使用
- b_hist:将存储直方图的 Mat 对象
- 1:直方图维数。
- histSize:每个使用维度的箱数
- histRange:每个维度要测量的值范围
- 均匀和累积:箱大小相同,直方图在开始时被清除。
-
创建图像以显示直方图:
int hist_w = 512, 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,我们首先对直方图进行 cv::规范化,使其值落在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() );
- 此函数接收以下参数(C++ 代码):
- b_hist:输入数组
- b_hist:输出规范化数组(可以相同)
- 0 和 histImage.rows:在此示例中,它们是规范化 r_hist 值的下限和上限
- NORM_MINMAX:指示规范化类型的参数(如上所述,它调整之前设置的两个限制之间的值)
- -1:表示输出规范化数组的类型将与输入相同
- 垫():可选面罩
-
要访问箱(在本例中为此 1D 直方图),请注意:
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(C++代码):
b_hist.at<float>(i)
其中表示尺寸。如果它是 2D 直方图,我们会使用如下内容:最后,我们显示直方图并等待用户退出:
imshow("Source image", src );
imshow("calcHist Demo", histImage );
waitKey();
结果
- 使用如下所示的图像作为输入参数:
- 生成以下直方图:
参考文献:
1、《Histogram Calculation》-----Ana Huamán
更多推荐
所有评论(0)