图像直方图数据在图像处理中应用十分广泛,根据直方图数据不同常见的有如下三种:
- 图像像素直方图、
- 像素梯度直方图
- 像素角度直方图
后面两个在图像特征提取SIFT与HOG中均有应用。最常见的图像直方图一般都是图像像素值统计直方图。通常我们把每个直方图的单元叫做BIN,对RGB图像来说像素的取值范围为0~255之间,BIN的个数是对取值范围的间隔区分,可以为32、64、128、256。OpenCV中提供了几个非常有用的直方图操作函数,实现了直方图统计计算、到直方图均衡化、直方图反向投影等功能。
图像像素直方图
OpenCV3.1.0中计算直方图的对应函数calcHist
原图如下:
计算得到的直方图如下:
直方图统计与绘制代码如下:
// 加载图像 Mat src = imread("D:/gloomyfish/flower.png"); if (src.empty()) { printf("could not load image...\n"); return -1; } namedWindow("refer faces", CV_WINDOW_AUTOSIZE); imshow("refer faces", src); // 三通道分离 vector<Mat> bgr_plane; split(src, bgr_plane); // 定义参数变量 const int channels[1] = { 0 }; const int bins[1] = { 256 }; float hranges[2] = { 0,255 }; const float* ranges[1] = { hranges }; Mat b_hist; Mat g_hist; Mat r_hist; // 计算Blue, Green, Red通道的直方图 calcHist(&bgr_plane[0], 1, 0, Mat(), b_hist, 1, bins, ranges); calcHist(&bgr_plane[1], 1, 0, Mat(), g_hist, 1, bins, ranges); calcHist(&bgr_plane[2], 1, 0, Mat(), r_hist, 1, bins, ranges); // 显示直方图 int hist_w = 512; int hist_h = 400; int bin_w = cvRound((double)hist_w / bins[0]); Mat histImage = Mat::zeros(hist_h, hist_w, CV_8UC3); // 归一化直方图数据 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()); // 绘制直方图曲线 for (int i = 1; i < bins[0]; 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); } // 显示直方图 namedWindow("Histogram Demo", WINDOW_AUTOSIZE); imshow("Histogram Demo", histImage);
直方图均衡化
直方图均衡化是利用统计得到的直方图数据实现直方图分布的调整,然后根据调整之后的直方图对原图像建立查找表,重新映射得到新的像素值,基本原理就是这样。OpenCV中的API函数为 equalizeHist
输入原图如下:
直方图均衡化的结果如下:
对于三通道的彩色图像,可以先拆分通道对各个通道进行直方图均衡化之后再合并通道即可。实现代码如下: // 直方图均衡化处理
vector<Mat> dst_bgr(3); equalizeHist(bgr_plane[0], dst_bgr[0]); equalizeHist(bgr_plane[1], dst_bgr[1]); equalizeHist(bgr_plane[2], dst_bgr[2]); Mat dst = Mat::zeros(bgr_plane[0].size(), CV_8UC3); merge(dst_bgr, dst); imshow("EH Demo", dst);
直方图反向投影
直方图反向投影直观的理解就是生成一个模板直方图,然后用它在一副更大的图像上去匹配相似区域,说白了就跟模板匹配类似。为了消除光照对直方图的影响,通常会先对取得的直方图做归一化之后在去做直方图反向投影。直方图反向投影的基本步骤可以分为如下三步
OpenCV3.1.0中对应的直方图反向投影API函数为 calcBackProject, 参数就不再赘述啦,各位自己看一下API文档吧! 这里以车牌识别中获取车牌区域为例,通过直方图反向投影可以获取。首先看模板图像
测试图像
直方图反向投影结果
从上面可以根据直方图反向投影结果直接获取车牌ROI区域,只要对车牌模板的蓝色通道直方图生成模板,反向投影即可。反向投影的演示代码如下:
// 归一化直方图数据 normalize(b_hist, b_hist, 1.0, 0.0); // 直方图反向映射 - 加载测试图片 Mat testImg = imread("D:/gloomyfish/5.jpg"); if (testImg.empty()) { printf("could not load test image...\n"); return -1; } imshow("test image", testImg); // 反向映射 vector<Mat> bgr; split(testImg, bgr); Mat result; calcBackProject(&bgr[0], 1, channels, b_hist, result, ranges, 255); // 将结果进行阈值化 threshold(result, result, 255*0.1, 255, THRESH_BINARY); imshow("Histogram Back Projection Result", result);