OpenCV入门（20）：图像处理之直方图

在图像处理中，直方图是一种非常重要的工具，它可以帮助我们了解图像的像素分布情况。通过分析图像的直方图，我们可以进行图像增强、对比度调整、图像分割等操作。

一、什么是图像直方图？

图像直方图是图像像素强度分布的图形表示，对于灰度图像，直方图显示了每个灰度级（0 到 255）在图像中出现的频率，对于彩色图像，我们可以分别计算每个通道（如 R、G、B）的直方图。

直方图: 表示图像中像素强度的分布情况，横轴表示像素强度值，纵轴表示该强度值的像素数量。
灰度直方图: 针对灰度图像的直方图，表示每个灰度级的像素数量。
颜色直方图: 针对彩色图像的直方图，分别表示每个颜色通道（如 BGR）的像素强度分布。

简单来说，直方图是一个统计图表，它显示了图像中每个像素强度值（比如亮度值0-255）出现的频率（即像素个数）。

横坐标 (X轴)：通常表示像素的强度值（例如，对于 8 位灰度图，就是 0 到 255）。
纵坐标 (Y轴)：表示具有该强度值的像素数量。

下面是一个一个典型的灰度图像及其直方图：

二、直方图有什么用？

直方图非常有用，它可以告诉我们很多关于图像的信息：

图像亮度与对比度：
- 如果直方图的峰值主要集中在左边（低亮度值），说明图像偏暗。
- 如果峰值集中在右边（高亮度值），说明图像偏亮。
- 如果峰值分布很窄，说明图像对比度较低。
- 如果峰值分布很广，说明图像对比度较高。
图像内容分析：通过直方图的形状，可以大致推断图像的内容。例如，一张大部分是天空的图片，其直方图的蓝色通道可能会在某个区域有高峰。
图像阈值化：直方图可以帮助我们选择合适的阈值，用于将图像分割成前景和背景（例如，大津法就是基于直方图的）。
图像均衡化：通过拉伸直方图，使其分布更均匀，可以增强图像的对比度，这就是“直方图均衡化”。
图像匹配与检索：比较不同图像的直方图，可以作为一种简单的图像相似性度量方法。

OpenCV 提供了丰富的直方图计算和操作函数：

功能	函数	说明
计算直方图	`cv::calcHist()`	计算图像的直方图。
直方图均衡化	`cv::equalizeHist()`	增强图像的对比度。
直方图比较	`cv::compareHist()`	比较两个直方图的相似度。
绘制直方图	`matplotlib.pyplot.plot()`	使用 Matplotlib 绘制直方图。

三、计算直方图

3.1 API

OpenCV提供了一个非常方便的函数 cv::calcHist 来计算直方图。让我们看看它的基本用法。

void calcHist( InputArrayOfArrays images,
              const std::vector<int>& channels,
              InputArray mask, OutputArray hist,
              const std::vector<int>& histSize,
              const std::vector<float>& ranges,
              bool accumulate = false );

参数说明：

images：输入的图像列表，通常是一个包含单通道或多通道图像的列表。例如 [img]。
channels：需要计算直方图的通道索引。对于灰度图像，使用 [0]；对于彩色图像，可以使用 [0]、[1]、[2] 分别计算蓝色、绿色和红色通道的直方图。
mask：掩码图像。如果指定了掩码，则只计算掩码区域内的像素。如果不需要掩码，可以传入 None。
hist：输出的直方图数组。
histSize：直方图的 bin 数量。对于灰度图像，通常设置为 [256]，表示将灰度级分为 256 个 bin。
ranges：像素值的范围。对于灰度图像，通常设置为 [0, 256]，表示像素值的范围是 0 到 255。
accumulate：是否累积直方图。如果设置为 True，则直方图不会被清零，而是在每次调用时累积。

3.2 示例：灰度图直方图

计算一张灰度图像的直方图：

#include<iostream>
#include<opencv2\opencv.hpp>

using namespace cv;
using namespace std;

int main() {
    // 1. 加载图像
    Mat src = imread("lena.jpg", IMREAD_GRAYSCALE); // 以灰度模式加载
    if (src.empty()) {
        cout << "无法加载图像!" << endl;
        return -1;
    }

    // 2. 设置直方图参数
    Mat hist; // 用于存储直方图结果
    int histSize[] = { 256 }; // Bin的数量 (0-255，共256个)

    // 像素值范围 (对于8位图像是0-255)
    // 注意：上限是不包含的，所以是256
    float hranges[] = { 0.0f, 256.0f };
    const float* ranges[] = { hranges };

    int channels[] = { 0 }; // 我们只处理灰度图的第0个通道

    // 3. 计算直方图
    calcHist(&src,      // 输入图像 (注意是地址)
             1,          // 图像数量
             channels,   // 通道列表
             Mat(),      // 无掩码
             hist,       // 输出直方图
             1,          // 直方图维度 (1D)
             histSize,   // 每个维度的bin数量
             ranges      // 每个维度的取值范围
    );

    // (可选) 打印一些直方图的值（hist现在是一个256x1的Mat）
    // for (int i = 0; i < histSize[0]; i++) {
    //     cout << "灰度值 " << i << ": " << hist.at<float>(i, 0) << " 个像素" << endl;
    // }

    // 4. (重要!) 可视化直方图
    // `calcHist` 计算出来的是数值，我们还需要把它画出来才能直观看到。
    int hist_w = 512; // 直方图图像的宽度
    int hist_h = 400; // 直方图图像的高度
    int bin_w = cvRound((double)hist_w / histSize[0]); // 每个bin在图像中的宽度

    Mat histImage(hist_h, hist_w, CV_8UC3, Scalar(20, 20, 20)); // 创建一个黑色背景的图像用于绘制

    // 归一化直方图的值到 [0, hist_h] 区间，这样才能画在图上
    // `normalize` 函数会找到hist中的最大值，然后按比例缩放所有值
    normalize(hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());

    // 绘制直方图的每个bin
    for (int i = 1; i < histSize[0]; i++) {
        line(histImage,
             Point(bin_w * (i - 1), hist_h - cvRound(hist.at<float>(i - 1))), // 上一个点
             Point(bin_w * (i), hist_h - cvRound(hist.at<float>(i))),     // 当前点
             Scalar(200, 200, 200), // 线条颜色 (浅灰色)
             2, 8, 0);
    }

    // 5. 显示原图和直方图
    imshow("Src Image", src);
    imshow("Histogram Image", histImage);

    waitKey(0); // 等待按键
    return 0;
}

效果图如下所示：

3.3 示例：彩色图直方图 (分别计算B, G, R通道)

对于彩色图（通常是BGR顺序），我们可以为每个颜色通道分别计算直方图：

#include<iostream>
#include<opencv2\opencv.hpp>

using namespace cv;
using namespace std;

int main() {
    // 1. 加载彩色图像
    Mat src = imread("lena.jpg", IMREAD_COLOR);
    if (src.empty()) {
        cout << "无法加载图像!" << endl;
        return -1;
    }

    // 2. 将图像分割成B, G, R三个通道
    vector<Mat> bgr_planes;
    split(src, bgr_planes); // bgr_planes[0] 是 B, bgr_planes[1] 是 G, bgr_planes[2] 是 R

    // 3. 设置直方图参数 (与灰度图类似)
    int histSize[] = { 256 };
    float range[] = { 0, 256 };
    const float* histRange[] = { range };
    bool uniform = true;
    bool accumulate = false;

    // 4. 分别计算B, G, R三个通道的直方图
    Mat b_hist, g_hist, r_hist;

    // 计算B通道直方图
    // 注意：split后的bgr_planes[0]已经是单通道图像，所以channels参数是{0}
    // 如果直接用src计算，那么channels可以是{0}代表B, {1}代表G, {2}代表R
    int b_channels[] = {0};
    calcHist(&bgr_planes[0], 1, b_channels, Mat(), b_hist, 1, histSize, histRange, uniform, accumulate);

    // 计算G通道直方图
    int g_channels[] = {0}; // 对于bgr_planes[1] (G通道图像) 来说，它自己的通道索引是0
    calcHist(&bgr_planes[1], 1, g_channels, Mat(), g_hist, 1, histSize, histRange, uniform, accumulate);

    // 计算R通道直方图
    int r_channels[] = {0}; // 对于bgr_planes[2] (R通道图像) 来说，它自己的通道索引是0
    calcHist(&bgr_planes[2], 1, r_channels, Mat(), r_hist, 1, histSize, histRange, uniform, accumulate);

    // 5. 绘制直方图 (与灰度图类似，但要画三条线)
    int hist_w = 512;
    int hist_h = 400;
    int bin_w = cvRound((double)hist_w / histSize[0]);

    Mat histImage(hist_h, hist_w, CV_8UC3, Scalar(20, 20, 20));

    // 归一化B, G, R直方图到 [0, histImage.rows]
    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
    for (int i = 1; i < histSize[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); // 蓝色

        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); // 绿色

        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); // 红色
    }

    // 6. 显示
    imshow("Src Image", src);
    imshow("Histogram Image (B, G, R)", histImage);

    waitKey(0);
    return 0;
}

在同一张 histImage 上用不同颜色（蓝、绿、红）绘制三个通道的直方图线条。效果图如下所示：

四、二维直方图

二维直方图用于描述图像中两个通道之间的联合分布。例如，对于彩色图像中的 Hue（色调）和 Saturation（饱和度），我们可以构建一个二维直方图来反映颜色的联合统计信息，这在颜色分割、目标检测等任务中非常有用。

4.1 API

同样使用 cv::calcHist 函数，但需要同时传入两个通道的数据，并设置维数为 2

void calcHist( InputArrayOfArrays images,
              const std::vector<int>& channels,
              InputArray mask, OutputArray hist,
              const std::vector<int>& histSize,
              const std::vector<float>& ranges,
              bool accumulate = false );

4.2 示例代码

计算 HSV 图像中 Hue 和 Saturation 的二维直方图：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取彩色图像并转换到 HSV 空间
    Mat img = imread("lena.jpg");
    if (img.empty()) {
        cout << "加载图像失败！" << endl;
        return -1;
    }
    Mat hsv;
    cvtColor(img, hsv, COLOR_BGR2HSV);

    // 设置二维直方图参数
    int hBins = 50, sBins = 60;
    int histSize[2] = { hBins, sBins };
    // H 范围：0~180，S 范围：0~256
    float hRanges[] = { 0, 180 };
    float sRanges[] = { 0, 256 };
    const float* ranges[] = { hRanges, sRanges };
    int channels[] = { 0, 1 }; // 使用 H 和 S 通道

    // 计算二维直方图
    Mat hist;
    calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false);

    // 归一化直方图到 [0, 255]
    normalize(hist, hist, 0, 255, NORM_MINMAX, -1, Mat());

    // 将二维直方图显示为图像
    int scale = 4;  // 调整显示图像的尺寸因子
    Mat histImg = Mat::zeros(sBins * scale, hBins * scale, CV_8UC3);

    // 注意：hist 的维度为 [hBins x sBins]
    // 这里遍历 hBins 和 sBins，绘制每个 bin 的强度
    for (int h = 0; h < hBins; h++) {
        for (int s = 0; s < sBins; s++) {
            float binVal = hist.at<float>(h, s);
            int intensity = cvRound(binVal);
            // 使用颜色填充直方图的每个小矩形区域
            rectangle(histImg,
                Point(h * scale, s * scale),
                Point((h + 1) * scale - 1, (s + 1) * scale - 1),
                Scalar(intensity, intensity, intensity),
                FILLED);
        }
    }
    // 转为彩色热力图
    applyColorMap(histImg, histImg, COLORMAP_JET);
    imshow("Src Image", img);
    imshow("Histogram Image (B, G, R)", histImg);

    waitKey(0);
    return 0;
}

此示例展示了如何计算 HSV 图像中 Hue 和 Saturation 的二维直方图，并将统计结果绘制为一幅热图，直观反映颜色分布情况。效果图如下所示：

五、直方图均衡化

直方图均衡化是一种图像增强技术，其目标是改善图像对比度。通过重新分配像素的灰度值，使得直方图变得更均匀，达到突出细节和边缘的效果。该方法常用于灰度图像，但对于彩色图像，通常先将图像转换到 YCrCb 或 HSV 空间，仅对亮度通道进行均衡化，再转换回原空间。

5.1 API

OpenCV 提供了 cv::equalizeHist 函数，该函数针对单通道图像进行均衡化。

void equalizeHist( InputArray src, OutputArray dst );

src：源图像 Mat
src：目标图像 Mat

5.2 示例：灰度图像直方图均衡化

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取灰度图像
    Mat gray = imread("lena.jpg",IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }

    // 进行直方图均衡化
    Mat equalized;
    equalizeHist(gray, equalized);

    // 显示原图和均衡化后的图像
    imshow("Src Image", gray);
    imshow("Histogram Image", equalized);

    waitKey(0);
    return 0;
}

运行后右边图像的对比度明显增强，效果图如下所示：

5.3 示例：彩色图像直方图均衡化

对于彩色图像，我们可以先转换为 YCrCb 空间，对 Y 通道进行均衡化，再转换回 BGR 空间。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取彩色图像
    Mat img = imread("lena.jpg");
    if (img.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }

    // 转换到 YCrCb 空间
    Mat img_ycrcb;
    cvtColor(img, img_ycrcb, COLOR_BGR2YCrCb);

    // 分离通道，均衡化 Y 通道
    vector<Mat> channels;
    split(img_ycrcb, channels);
    equalizeHist(channels[0], channels[0]);
    merge(channels, img_ycrcb);

    // 转换回 BGR 空间
    Mat img_equalized;
    cvtColor(img_ycrcb, img_equalized, COLOR_YCrCb2BGR);

    imshow("Src Image", img);
    imshow("Histogram Image", img_equalized);

    waitKey(0);
    return 0;
}

效果图如下所示：

六、自适应直方图均衡

自适应直方图均衡（Adaptive Histogram Equalization, AHE）是一种改进的直方图均衡化方法，它不是对整幅图像进行全局均衡，而是将图像划分为多个小区域（称为子块或窗口），在每个子块上分别执行直方图均衡化，以增强局部对比度。

6.1 概述

基本步骤：

划分子块（Tiles）：将图像分成多个小的子区域（如 8×8 或 16×16）；
计算直方图均衡化：对每个子块单独计算累积分布函数（CDF）并应用均衡化；
插值平滑（Interpolation）：由于不同子块的均衡化结果可能不连续，采用双线性插值使其过渡平滑，避免块状效应；
边界处理：处理图像边缘区域，防止伪影出现。

对比普通直方图均衡化的优势：

适用于局部光照不均的图像，增强细节；
适用于对比度较低的区域，而不会过度增强对比度已高的区域；
解决了全局均衡化可能导致的过度曝光或伪影问题。

改进方法：CLAHE（对比度受限自适应直方图均衡化）

CLAHE（Contrast Limited Adaptive Histogram Equalization）是在 AHE 基础上增加了对比度限制，防止某些局部区域对比度过高而产生噪声。其核心思想是对每个子块的直方图设定一个对比度限制阈值，若某个灰度级的频率超过阈值，则将超出的部分均匀分配到所有灰度级，最终进行均衡化。

6.2 示例代码

在 OpenCV 中，自适应直方图均衡化可通过 cv::createCLAHE() 实现，例如：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取彩色图像
    Mat img = imread("lena.jpg", IMREAD_GRAYSCALE);
    if (img.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }

    // 自适应直方图均衡
    Ptr<CLAHE> clahe = createCLAHE(2.0, Size(8, 8));  // 限制对比度 2.0，窗口大小 8×8
    Mat dst;
    clahe->apply(img, dst);

    imshow("Original", img);
    imshow("CLAHE", dst);

    waitKey(0);
    return 0;
}

效果图如下所示：

七、直方图的应用

图像增强: 通过直方图均衡化，可以增强图像的对比度，使细节更加清晰。
图像分割: 过分析直方图，可以确定阈值，用于图像分割。
图像匹配: 通过比较直方图，可以判断两幅图像的相似度，用于图像匹配和检索。
颜色分析: 通过颜色直方图，可以分析图像的颜色分布，用于颜色校正和风格化处理。

八、总结

本文详细介绍了 OpenCV C++ 中的直方图分析技术，包括：

图像直方图：利用 cv::calcHist 计算灰度图像的直方图，并绘制统计结果。
二维直方图：通过统计两个通道（如 HSV 中的 H 和 S）的联合分布，构建二维直方图热图，展示颜色分布信息。
直方图均衡化：使用 cv::equalizeHist 对灰度图像进行均衡化，同时介绍了彩色图像均衡化的常用方法（基于 YCrCb 色彩空间）.
自适应均衡化：一种改进的直方图均衡化方法，它不是对整幅图像进行全局均衡，而是将图像划分为多个小区域（称为子块或窗口），在每个子块上分别执行直方图均衡化，以增强局部对比度

posted @ 2025-08-15 11:55 fengMisaka 阅读(8) 评论(0) 收藏举报

刷新页面返回顶部

fengMisaka

OpenCV入门（20）：图像处理之直方图

一、什么是图像直方图？

二、直方图有什么用？

三、计算直方图

3.1 API

3.2 示例：灰度图直方图

3.3 示例：彩色图直方图 (分别计算B, G, R通道)

四、二维直方图

4.1 API

4.2 示例代码

五、直方图均衡化

5.1 API

5.2 示例：灰度图像直方图均衡化

5.3 示例：彩色图像直方图均衡化

六、自适应直方图均衡

6.1 概述

6.2 示例代码

七、直方图的应用

八、总结

公告