c/c++的opencv直方图初识

C/C++ OpenCV中的图像直方图：零基础入门指南

大家好！今天我们来聊聊图像处理中一个非常基础且重要的概念——直方图(Histogram)。如果你是OpenCV新手，或者对直方图感觉有点迷糊，别担心，这篇文章会用最简单的方式带你入门。

---

什么是图像直方图？

想象一下，你有一张黑白照片。照片里有些地方很黑，有些地方很亮，还有很多介于中间的灰色区域。

图像直方图就像是对这张照片做了一次“像素亮度普查”。它会统计照片中：

• 有多少像素是纯黑色的？
• 有多少像素是纯白色的？
• 有多少像素是深灰色的？
• 有多少像素是浅灰色的？
• … 等等

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。

一个典型的灰度图像及其直方图

---

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：

1. 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。
2. 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。
3. 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）。
4. 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”。
5. 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。

---

如何用OpenCV计算直方图？ (C/C++)

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。

1. 准备工作

首先，确保你已经安装了OpenCV，并且在你的C++项目中正确配置了头文件和库链接。

#include  // 用于图像读取 imread
#include   // 用于图像处理，包括 calcHist, cvtColor
#include    // 用于显示图像 imshow, waitKey
#include               // 用于控制台输出

// 使用cv命名空间，这样就不用每次都写 cv:: 了
using namespace cv;
using namespace std;

2. cv::calcHist 函数详解

cv::calcHist 的函数原型看起来可能有点复杂，但别怕，我们一步步分解：

void cv::calcHist(
    const Mat* images,      // 输入图像数组 (或单个图像的地址)
    int nimages,            // 输入图像的数量
    const int* channels,    // 需要统计的通道索引数组
    InputArray mask,        // 可选的掩码，指定在哪个区域计算直方图
    OutputArray hist,       // 输出的直方图结果 (Mat类型)
    int dims,               // 直方图的维度
    const int* histSize,    // 直方图每个维度的大小 (bin的数量)
    const float** ranges,   // 直方图每个维度的取值范围
    bool uniform = true,    // 直方图的bin是否均匀分布
    bool accumulate = false // 是否累积到已有的hist中
);

让我们关注最常用的参数：

• images: 指向输入图像的指针数组。如果只处理一张图，就传这张图的地址。
• nimages: 通常设为 1，因为我们一次处理一张图。
• channels: 一个整数数组，指定我们要为哪些通道计算直方图。
  • 对于灰度图，只有一个通道，所以是 {0}。
  • 对于BGR彩色图，通道0是蓝色(B)，通道1是绿色(G)，通道2是红色®。如果你想计算蓝色通道的直方图，就是 {0}；绿色就是 {1}；红色就是 {2}。
• mask: 通常我们计算整张图的直方图，所以传 Mat() 或 noArray() 表示没有掩码。
• hist: 这是输出参数，计算得到的直方图会存放在这里。它是一个 Mat 对象。
• dims: 直方图的维度。
  • 对于单通道（如灰度图，或彩色图的单个通道），维度是 1。
  • 如果我们同时考虑两个特征（比如H和S通道），维度就是 2。
• histSize: 一个整数数组，表示每个维度上“箱子”（bin）的数量。
  • 对于8位灰度图，我们通常想统计0到255每个灰度级的数量，所以 histSize 可以是 {256}。
• ranges: 一个浮点数指针数组，定义了每个维度上像素值的范围。
  • 对于8位图像，像素值范围通常是 [0, 256) (注意是左闭右开，所以255也算在内)。

3. 灰度图直方图示例

让我们从最简单的开始：计算一张灰度图像的直方图。

int main() {
    // 1. 加载图像
    Mat src = imread("your_image.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
    );

    // `hist` 现在是一个 256x1 的Mat，每个元素 hist.at(i, 0)
    // 代表灰度值为 i 的像素数量。

    // (可选) 打印一些直方图的值
    // for (int i = 0; i < histSize[0]; i++) {
    //     cout << "灰度值 " << i << ": " << hist.at(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("原图 (灰度)", src);
    imshow("直方图", histImage);

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

代码解释:

1. 加载图像：imread("your_image.jpg", IMREAD_GRAYSCALE) 以灰度模式加载图片。如果图片本身是彩色的，它会被转换成灰度图。
2. 设置参数：
   • histSize: 我们有256个“箱子”（bins），分别对应0到255的每个灰度级。
   • hranges: 像素值的范围是0到255（在calcHist中上限写256，表示[0, 256)）。
   • channels: {0} 表示我们只关心灰度图的第一个（也是唯一一个）通道。
3. 计算直方图：调用 calcHist，它会把结果填充到 hist 这个 Mat 对象中。
4. 可视化：
   • hist_w, hist_h: 定义了我们要画的直方图图片的大小。
   • bin_w: 计算每个bin在直方图图片上应该占多少像素宽度。
   • Mat histImage(...): 创建一张用于绘制直方图的空白图像（这里用深灰色背景）。
   • normalize(hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat()): 这是关键一步！calcHist 得到的 hist 中的值是实际的像素数量，可能非常大。为了能在固定高度的 histImage 上画出来，我们需要将这些值归一化到 [0, histImage.rows] 这个范围内。NORM_MINMAX 表示进行线性归一化。
   • for 循环和 line 函数：遍历每个bin，用线条把相邻bin的顶端连接起来，形成直方图的形状。注意Y坐标是 hist_h - value，因为图像坐标系的原点在左上角，Y轴向下为正。
5. 显示：用 imshow 显示原图和我们绘制的直方图。

4. 彩色图直方图示例 (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。

int main() {
    // 1. 加载彩色图像
    Mat src = imread("your_color_image.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("原图 (彩色)", src);
    imshow("彩色直方图 (B, G, R)", histImage);

    waitKey(0);
    return 0;
}

彩色图代码要点：

1. split(src, bgr_planes): 将BGR三通道彩色图 src 分离成三个独立的单通道图像 bgr_planes[0] (B), bgr_planes[1] (G), bgr_planes[2] ®。
2. 分别计算: 对分离出来的每个单通道图像调用 calcHist。因为它们已经是单通道了，所以 channels 参数依然是 {0} (指当前单通道图像的第0个通道)。
   • 另一种方法：你也可以不 split 图像，直接在原始 src 彩色图上计算。这时，如果你想计算蓝色通道的直方图，channels 参数应为 {0}；绿色为 {1}；红色为 {2}。例如，计算 src 的蓝色通道直方图：

     // Mat src; // 彩色图
     // Mat b_hist_direct;
     // int channels_b[] = {0}; // 指明要计算src的第0个通道 (B)
     // calcHist(&src, 1, channels_b, Mat(), b_hist_direct, 1, histSize, histRange);
     

3. 绘制: 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。

---

总结与展望 ✨

直方图是图像处理的基石之一。通过 cv::calcHist，我们可以轻松获取图像的像素强度分布信息。

接下来你可以探索的：

• 直方图均衡化 (Histogram Equalization): 使用 cv::equalizeHist 来改善图像对比度。
• 二维直方图: 例如，在HSV颜色空间中，同时考虑H（色调）和S（饱和度）两个维度来绘制2D直方图。这时 dims 为2，channels 可能是 {0, 1}，histSize 可能是 {180, 256}，ranges 需要提供两组范围。
• 直方图比较: OpenCV提供了比较两个直方图相似度的函数，如 cv::compareHist。
• 反向投影 (Backprojection): 利用直方图模型在图像中寻找特定物体。

希望这篇文章能帮你理解OpenCV中的直方图！动手试试代码，并用你自己的图片看看效果吧！

Happy Coding!