背景
图像的直方图是衡量图像像素分布的一种方式，可以通过分析像素分布，使用直方图均衡化对图像进行优化，让图像变的清晰。
opencv官方对图像直方图的定义如下：
- 直方图是图像中像素强度分布的图形表达方式.
- 它统计了每一个强度值所具有的像素个数.
一、直方图计算的原理
一副图像实际上就是一个数字矩阵。
3x3的灰度图像由9个像素组成，每个像素都取值0-255中的一个值，0表示黑色，255表示白色，中间值是介于黑色和白色之间的灰度值。
如下以一个高度为3，宽度为3的图片为例说明直方图的计算。
- 定义一个255大小的数组，用于保存灰度值出现的次数
- 遍历图像的每一个元素，将像素的灰度值出现的次数统计到对应的灰度次数中
- 将灰度值次数统计数组进行归一化处理（归一化到0-255范围内，便于绘图使用）
- 将归一化的灰度次数进行绘图展示
如下图是计算直方图的过程。
二、直方图计算步骤
根据直方图计算的原理，如下我们就开始动手写一个计算图像直方图代码实现。
1. 加载图像
加载图像，并显示
cv::Mat rawImage = cv::imread("demo1/leopard2.png", cv::IMREAD_ANYCOLOR);
cv::imshow("rawImage", rawImage);
图像显示图像（我喜欢的那个小豹子）
2. 定义统计图像三个通道灰度值出现次数和归一化数的数组
定义并初始化次数数组，按照灰度值255，用于统计每个像素灰度值出现的次数。
int histSize = 255;
int histValues[3][255] = {};
int histNormalizeValues[3][255] = {};
for (int k = 0; k < histSize; ++k) {
histValues[0][k] = 0;
histValues[1][k] = 0;
histValues[2][k] = 0;
histNormalizeValues[0][k] = 0;
histNormalizeValues[1][k] = 0;
histNormalizeValues[2][k] = 0;
}
3. 遍历图像，计算三个通道灰度值出现的次数
彩色图像由BGR三个通道构成，分别计算统计这三个通道的灰度值次数
cv::Vec3b rgbPixel;
// 遍历图像，统计BGR三个通道的图像的灰度值出现的次数
for (int i = 0; i < rgbImage.rows; ++i) {
for (int j = 0; j < rgbImage.cols; ++j) {
// B G R
rgbPixel = rgbImage.at<cv::Vec3b>(i, j);
histValues[2][rgbPixel[2]] += 1;
histValues[1][rgbPixel[1]] += 1;
histValues[0][rgbPixel[0]] += 1;
}
}
4. 将上一步图像灰度值次数归一化到0-255之间
归一化方法的算法见之前的文章 https://www.cnblogs.com/voipman/p/5046153.html
// 把如上的统计值归一化到0-255范围内
calcNormalize(histValues[0], histNormalizeValues[0]);
calcNormalize(histValues[1], histNormalizeValues[1]);
calcNormalize(histValues[2], histNormalizeValues[2]);
归一化代码实现
/**
* 计算一个数组的归一化，此处归一化到0-255之间
* @param srcValues
* @param dstValues
*/
void calcNormalize(int srcValues[255], int dstValues[255]) {
int minValue = srcValues[0];
int maxValue = srcValues[0];
for (int i = 1; i < 255; ++i) {
if (minValue > srcValues[i]) {
minValue = srcValues[i];
}
if (maxValue < srcValues[i]) {
maxValue = srcValues[i];
}
}
int minMaxDiff = maxValue - minValue;
for (int j = 0; j < 255; ++j) {
dstValues[j] = static_cast<int>((float)(srcValues[j] - minValue) / (float)minMaxDiff * 255.);
}
}
5. 绘制直方图到页面
如下划线代码逻辑是画出3条线，分别是蓝绿红三条，每一条线连接前后两个点，依次连接0-254点形成对应的线。
// 创建直方图画布
int hist_w = 400; int hist_h = 400;
int bin_w = cvRound( (double) hist_w/histSize );
cv::Mat histImage( hist_w, hist_h, CV_8UC3, cv::Scalar( 255,255,255) );
// 把三个通道的直方图归一化数据绘制在直方图上
for (int i = 1; i < histSize; ++i) {
cv::line(histImage,
cv::Point(bin_w * (i-1), hist_h - cvRound(histNormalizeValues[0][i-1])),
cv::Point(bin_w * (i), hist_h - cvRound(histNormalizeValues[0][i])),
cv::Scalar(0, 0, 255), 2,cv::LINE_AA, 0);
cv::line(histImage,
cv::Point(bin_w * (i-1), hist_h - cvRound(histNormalizeValues[1][i-1])),
cv::Point(bin_w * (i), hist_h - cvRound(histNormalizeValues[1][i])),
cv::Scalar(0, 255, 0), 2,cv::LINE_AA, 0);
cv::line(histImage,
cv::Point(bin_w * (i-1), hist_h - cvRound(histNormalizeValues[2][i-1])),
cv::Point(bin_w * (i), hist_h - cvRound(histNormalizeValues[2][i])),
cv::Scalar(255, 0, 0), 2,cv::LINE_AA, 0);
}
cv::imshow("histImage", histImage);
绘图中的绘线逻辑如下图中的绿线线段所示（连接前后两个点形成对应的线段）：
6. 绘制直方图显示
直方图结果解析和说明：
- 从这个直方图可以看出原始图像三个通道的数据都比较集中
- 红色通道的数据集中在中间130左右，太黑和太白的数据比较少。
- 绿色通道的数据集中在180左右，两边数据比较少。
- 蓝色通道的数据集中在210作用的数值内，黑色的数据很少。
图像优化
使用直方图均衡化算法对图像进行均衡处理
void EqualizeHist(cv::Mat &rgbImage) {
std::vector<cv::Mat> rgbImages;
cv::split(rgbImage, rgbImages);
/// 应用直方图均衡化
cv::Mat dstR, dstG, dstB;
equalizeHist(rgbImages[0], dstB);
equalizeHist(rgbImages[1], dstG);
equalizeHist(rgbImages[2], dstR);
std::vector<cv::Mat> grayHistImages;
grayHistImages.push_back(dstB);
grayHistImages.push_back(dstG);
grayHistImages.push_back(dstR);
cv::merge(grayHistImages, rgbImage);
}
对图像做了直方图均衡化处理后的效果如下：
图像分析：
- 图像看起来黑白分明，小豹子图像很清晰。
经过直方图均衡化处理后的图像，重新计算直方图，观察灰度值分布
图像分析：
- 均衡化后的直方图均匀的分布在0-255之间。
OpenCV提供了一个简单的计算数组集(通常是图像或分割后的通道)的直方图，步骤如下
参考材料：
如下完整代码见 https://github.com/gityf/img-video/blob/master/opencv/hist.hpp
done.
祝玩的开心~