一、話說直方圖

在OpenCV中，我們使用函數calcHist來計算直方圖（僅僅是計算），如果使用python，則可借助matplotlib繪制出直方圖（python的話當然也可以用OpenCV中的繪圖函數，但有matplotlib這么好的工具為什么不用呢）。

API：

hist=cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

	Mat srcImage = imread("D:\\cv_study\\隨機練\\2.jpg");
	MatND dstHist;//得到的直方圖     
	int dims = 1;//得到的直方圖的維數 灰度圖的維數為1
	float hranges[2] = { 0, 255 };
	const float *ranges[1] = { hranges };   // 這里需要為const類型，二維數組用來指出每個區間的范圍  
	int size = 256;//直方圖橫坐標的區間數 即橫坐標被分成256份
	int channels = 0;//圖像得通道 灰度圖的通道數為0
					 //計算圖像的直方圖  
	calcHist(&srcImage, 1, &channels, Mat(), dstHist, dims, &size, ranges);
	int scale = 1;
	Mat dstImage(size * scale, size, CV_8U, Scalar(0));
	//獲取最大值和最小值  
	double minValue = 0;
	double maxValue = 0;
	minMaxLoc(dstHist, &minValue, &maxValue, 0, 0); //找到直方圖中的最大值和最小值 
													//繪制出直方圖  
	int hpt = saturate_cast<int>(0.9 * size);//防止溢出
	for (int i = 0; i < 256; i++)
	{
		float binValue = dstHist.at<float>(i);
		int realValue = saturate_cast<int>(binValue * hpt / maxValue);
		line(dstImage, Point(i*scale, size - 1), Point((i + 1)*scale - 1, size - realValue), Scalar(255));
	}
	imshow("一維直方圖", dstImage);
	waitKey();
	return 0;

實驗結果如圖：

三、直方圖均衡化

dst=cv2.equalizeHist(src[, dst])

	cvtColor(srcImage, srcImage, CV_BGR2GRAY);
	equalizeHist(srcImage, m0);
	waitKey();

四、直方圖比較

亮度直方圖反應了一幅圖像的亮度分布，這一特性可以用來比較兩幅圖像的相似性，也可以研究不同光照對同一幅圖像的影響。

要用到函數compareHist，函數原型：

retval=cv2.compareHist(H1, H2, method)

• retval：兩個直方圖的相似度
• H1和H2：需要比較的兩個直方圖
• method：比較方法，這里介紹三種，其他的方法可以查閱API

1. Correlation ( CV_COMP_CORREL )

   

   其中

   
   

    是直方圖中bin的數目。

2. Chi-Square ( CV_COMP_CHISQR )

   
   

3. Intersection ( CV_COMP_INTERSECT )

   
   

4. Bhattacharyya 距離( CV_COMP_BHATTACHARYYA )

   

實驗代碼：

int main()
{

	Mat srcImage = imread("D:\\cv_study\\隨機練\\1.jpg");
	Mat compareImage = imread("D:\\cv_study\\隨機練\\2.jpg");
	imshow("【原圖】", srcImage);
	imshow("【需要比較的圖像】", compareImage);

	//在比較直方圖時，最佳操作是在HSV空間中操作，所以需要將BGR空間轉換為HSV空間  
	Mat srcHsvImage;
	Mat compareHsvImage;
	cvtColor(srcImage, srcHsvImage, CV_BGR2HSV);
	cvtColor(compareImage, compareHsvImage, CV_BGR2HSV);

	//采用H-S直方圖進行處理  
	//首先得配置直方圖的參數  
	MatND srcHist, compHist;
	//H、S通道  
	int channels[] = { 0, 1 };
	int histSize[] = { 30, 32 };
	float HRanges[] = { 0, 180 };
	float SRanges[] = { 0, 256 };
	const float *ranges[] = { HRanges, SRanges };

	//進行原圖直方圖的計算  
	calcHist(&srcHsvImage, 1, channels, Mat(), srcHist, 2, histSize, ranges, true, false);
	//對需要比較的圖進行直方圖的計算  
	calcHist(&compareHsvImage, 1, channels, Mat(), compHist, 2, histSize, ranges, true, false);

	//注意：這里需要對兩個直方圖進行歸一化操作  
	normalize(srcHist, srcHist, 0, 1, NORM_MINMAX);
	normalize(compHist, compHist, 0, 1, NORM_MINMAX);

	//對得到的直方圖對比  
	double g_dCompareRecult = compareHist(srcHist, compHist, 0);
	cout << "方法一：兩幅圖像比較的結果為：" << g_dCompareRecult << endl;

	g_dCompareRecult = compareHist(srcHist, compHist, 1);
	cout << "方法二：兩幅圖像比較的結果為：" << g_dCompareRecult << endl;

	g_dCompareRecult = compareHist(srcHist, compHist, 2);
	cout << "方法三：兩幅圖像比較的結果為：" << g_dCompareRecult << endl;

	g_dCompareRecult = compareHist(srcHist, compHist, 3);
	cout << "方法四：兩幅圖像比較的結果為：" << g_dCompareRecult << endl;
	waitKey();
	return 0;
}