前言

此代碼可依次復制粘貼，拼接即可運行

直方圖繪制時使用opencv的一項基本的能力，但當初接觸直方圖是我并沒有整太明白，如今又好好研究了一遍代碼，現在來總結一下。
直方圖，顧名思義，就是類似于我們常規意義上的統計圖，有三個術語：

1. dims:需要統計的特征的數目。
2. bins:每個特征空間子區段的數目，可以翻譯為“直條”和“組距”。
3. range:每個特征空間的取值范圍。例如：range = [0,255]。

直方圖的計算與繪制

直方圖的計算使用到了calcHist()函數，函數原型：

	calcHist(
				const Mat*   images,    //輸入數組
				int          nimages,   //輸入數組個數
				const int*   channels,  //通道索引
				InputArray   mask;      //Mat(),  //不使用腌膜
				OutputArray  hist,      //輸出的目標直方圖，一個二維數組
				int			 dims,      //需要計算的直方圖的維度  例如：灰度，R,G,B，H,S,V等數據
				congst int*  histSize,   //存放每個維度的直方圖尺寸的數組
				const float**    ranges, //每一維數組的取值范圍數組
				bool          uniform=true,   
				bool          accumulate = false
			);

這里會用到一個返回最大值最小值的函數，在我的上篇博文《opencv學習筆記二：角點檢測》中有介紹：

void cv::MinMaxLoc(
					arr ,  //輸入單通道數組
	     double*	min_val, //返回最小值的指針
		 double*	max_val,//返回最大值的指針
		 Point*		min_loc,//指向返回最小值的位置指針
		 Point*		max_loc,//指向返回最大值的位置指針
)

注意：它的輸入為單通道數組

示例程序一：計算并繪制圖像的一維數組

我們先從繪制一維圖像開始，一維直方圖就像我們在word里用的柱狀圖一樣，有這類似的思路：

• 定義直方圖需要統計的特征數目，如灰度，RGB，HSV等衡量標準
• 定義每個特征的直方圖尺寸大小
• 定義通道索引，當計算RGB或HSV等特征時會用到
• 定義每個特征的取值范圍數組，即高度
• 進行繪制
  下面看程序：

#include "pch.h"
#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
	//【1】讀取原圖并顯示
	Mat srcImage = imread("5.jpg", 0);
	imshow("原圖：", srcImage);
	if (!srcImage.data) {
		cout << "fail to load image" << endl;
		return 0;
	}

首先，上面的是開頭，將需要計算的圖片載入并顯示，原圖如下圖：

但我們載入的時候為： Mat srcImage = imread(“5.jpg”, 0); 是按灰度圖載入的，因此顯示出來為：

//【2】定義變量
	MatND dstHist;   
	int dims = 1;  //特征數目（直方圖維度）
	float hranges[] = { 0,255 }; //特征空間的取值范圍
	const float *ranges[] = { hranges };
	int size = 256;  //存放每個維度的直方圖的尺寸的數組
	int channels = 0;  //通道數

然后就需要定義變量了，MatND為多維，多通道的密集數組類型
dims為特征數目，此程序只計算該圖片的一個特征，且圖片是一張灰度圖，由后面的int channals = 0我們可以看出，計算的是該圖片的通道0，也就是灰度的直方圖。
hranges[]為特征空間的取值范圍數組，為0-255；有幾個特征就需要定義幾個這樣的數組，然后將這些數組存到const float *ranges[] = { hranges }中
size為存放每個維度的直方圖的尺寸的數組

    //【3】計算直方圖
	calcHist(&srcImage, 1, &channels, Mat(), dstHist, dims, &size, ranges);
	int scale = 1;

	cout << dstHist << endl;

	Mat dstImage(size * scale, size, CV_8U, Scalar(0));
	//【4】獲取最大值和最小值
	double minValue = 0;
	double maxValue = 0;
	minMaxLoc(dstHist, &minValue, &maxValue, 0, 0);

接下來我們計算直方圖并獲取脂肪圖的最大，最小值。我并不清楚計算出來的直方圖是啥子？所以我在中間cout<<desHist<<endl;看了一下，如下圖：

圖片很長，是一個一列很多行的數組，這我們就明白了，每一行數都表示一個像素點的灰度值。

//【5】繪制直方圖
	int hpt = saturate_cast<int>(0.9*size);
	for (int i = 0; i < 256; i++)
	{
		float binValue = dstHist.at<float>(i);
		int realValue = saturate_cast<int>(binValue*hpt / maxValue);
		rectangle(dstImage, Point(i*scale, size - 1), Point((i + 1)*scale - 1, size - realValue), Scalar(255));
	}

	imshow("一維直方圖", dstImage);
	waitKey(0);

	return 0;
}

程序到此就結束了，在繪制直方圖的這一段程序里，我們運用了rectangle（）函數，函數原型如下：是一個畫矩形的函數

rectangle(
		img,  //輸入圖像
		pt1,  //矩陣的一個定點
		pt2,  //矩陣對角線上另一個頂點
		color, //線條顏色（RGB）或亮度（灰度圖像）（grayscale image）
		thickness,  //組成矩形的線條的粗細程度。取負值時函數繪制填充了色彩的矩形
		line_type,  //線條的類型  
		shift  //坐標點的小數點位數
		);

在其中有一句 int hpt = saturate_cast(0.9size);
感覺0.9出現的很突然，這一句其實是可以調整直方圖繪制的大小的，看了下面截圖應該就明白了：
當：int hpt = saturate_cast(0.9size);

當：int hpt = saturate_cast(0.5*size);

看到這里就應該明白了吧？

示例程序二：H-S 二維直方圖的計算與繪制

接下來我們看看包含H-S兩個特征的二維直方圖的繪制///

#include "pch.h"
#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
	//【1】輸入原圖像，并轉換為HSV顏色模型
	Mat srcImage, hsvImage;
	srcImage = imread("5.jpg");
	cvtColor(srcImage, hsvImage, COLOR_BGR2HSV);

還是，先讀取一張圖片，然后轉換為HSV模型。H為色調，S為飽和度

//【2】參數準備
	//將色調量化為30個等級，將飽和度量化為32個等級
	int hueBinNum = 30;  //色調的直方圖直條數量
	int saturationBinNum = 32;  //飽和度的直方圖直條數量
	int histSize[] = { hueBinNum,saturationBinNum };    //存放每個維度的直方圖尺寸的數組

	float hueRanges[] = { 0,180 }; //色調變化范圍為0-179
	float saturationRanges[] = { 0,256 }; //定義飽和度變化范圍為0（黑，白，灰)到255（純光譜顏色）
	const float* ranges[] = { hueRanges,saturationRanges }; //每一位數值的取值范圍數組

還是我們示例一程序中的思路，先定義bins，就是區間個數，示例一中我們定義為了256，在這兒我們將色調的設為30，飽和度的設為32；
然后將這兩個尺寸放進int histSize[] = { hueBinNum,saturationBinNum };中用來傳給直方圖計算函數；
接著定義特征值的取值范圍，色調的取值范圍為0-180，飽和度的為0-256，同樣，裝進const float* ranges[] = { hueRanges,saturationRanges }; 數組中傳給直方圖計算函數；

//輸出目標直方圖
	MatND dstHist;
	//參數準備，calcHist函數中將計算第0通道和第一通道的直方圖
	int channels[] = { 0,1 };
	//【3】 正式調用calcHist,進行直方圖計算
	calcHist(
		&hsvImage,  //輸入數組
		1,   //輸入數組個數
		channels, //通道索引  
		Mat(),  //不使用腌膜 
		dstHist, //輸出的目標直方圖，一個二維數組  
		2,  //需要計算的直方圖的維度為2
		histSize,  //存放每個維度的直方圖尺寸的數組
		ranges,  //每一維數組的取值范圍數組
		true,  
		false
	);

//打印直方圖
	cout << dstHist<<endl;

然后就是直方圖計算了，這里就不多說了。同樣，我們還打印一下看看直方圖計算出來是個什么東西：是一個比較大的二維數組，就是H-S的大小啦

	double maxValue = 0;   //最大值
	minMaxLoc(dstHist, 0, &maxValue, 0, 0);  //查找數組和子數組的全局最小值和最大值存入maxValue中
	int scale = 10;
	Mat histImg = Mat::zeros(saturationBinNum *scale, hueBinNum * 10, CV_8UC3);  //每個bin分配10個像素寬度
	//【5】雙層循環，進行直方圖繪制
	for (int hue = 0; hue < hueBinNum; hue++)
	{
		for (int saturation = 0; saturation < saturationBinNum; saturation++)
		{
			float binValue = dstHist.at<float>(hue, saturation);  //直方圖直條的值  //訪問像素值
			int intensity = cvRound(binValue * 255 / maxValue);  //強度    cvRound返回和參數最接近的整數值
			//正式進行繪制 
			rectangle(histImg, Point(hue* scale, saturation*scale),
				Point((hue + 1)*scale - 1, (saturation + 1)*scale - 1),
				Scalar::all(intensity), FILLED);
		}
	}
	//【6】顯示效果圖
	imshow("素材圖", srcImage);
    imshow("H-S直方圖", histImg);

	waitKey();

}

最后，就是繪制直方圖了：運行結果如下：

對于二維的繪制過程，和畫圖表也很相似，原理就是下圖：

示例程序三：繪制RGB三色直方圖

最后我們繪制RGB三色直方圖，雖然是三色，但也是一維的，而不像示例二中是二維直方圖。

#include "pch.h"
#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
	//【1】載入原圖并顯示
	Mat srcImage;
	srcImage = imread("5.jpg");
	imshow("素材圖", srcImage);
	//【2】參數準備
	int bins = 256; //直條數 
	int hist_size[] = {bins}; //存放每個維度的直方圖尺寸數組 //  均為256條寬度
	float range[] = { 0,256 };  //每一維數組的取值范圍  // 均為0-255高度
	const float* ranges[] = { range }; 
	MatND redHist, grayHist, blueHist;  //定義三個圖像數組

開頭我們就不多說了，還是千篇一律的設置尺寸等，我們至此還沒有定義通道；

//計算紅色分量
	int channels_r[] = { 0 };  //每個圖像數組一個通道
	calcHist(&srcImage, 1,channels_r, Mat(), redHist, 1, hist_size, ranges, true, false);
	//計算綠色分量
	int channels_g[] = { 1 };
	calcHist(&srcImage, 1, channels_g, Mat(), grayHist, 1, hist_size, ranges, true, false);
	//計算藍色分量
	int channels_b[] = { 2 };
	calcHist(&srcImage, 1, channels_b, Mat(), blueHist, 1, hist_size, ranges, true, false);

然后我們分別定義了通道0，1，2并分別進行了計算；
最后就是繪制了：

//參數準備
	double maxValue_red, maxValue_green, maxValue_blue;
	minMaxLoc(redHist, 0, &maxValue_red, 0, 0);
	minMaxLoc(grayHist, 0, &maxValue_green, 0, 0);
	minMaxLoc(blueHist, 0, &maxValue_blue, 0, 0);
	int scale = 1;
	int histHeight = 256;
	Mat histImage = Mat::zeros(histHeight, bins * 3, CV_8UC3);
	//繪制直方圖
	for (int i = 0; i < bins; i++)
	{
		float binValue_red = redHist.at<float>(i);
		float binValue_green = grayHist.at<float>(i);
		float binValue_blue = blueHist.at<float>(i);
		int intensity_red = cvRound(binValue_red*histHeight / maxValue_red);
		int intensity_green = cvRound(binValue_green*histHeight / maxValue_green);
		int intensity_blue = cvRound(binValue_blue*histHeight / maxValue_blue);

		rectangle(histImage, Point(i*scale, histHeight - 1), Point((i + 1)*scale - 1, histHeight - intensity_red), Scalar(255, 0, 0));
		rectangle(histImage, Point((i+bins)*scale, histHeight - 1), Point((i+bins+ 1)*scale - 1, histHeight - intensity_green), Scalar(0, 255, 0));
		rectangle(histImage, Point((i+bins*2)*scale, histHeight - 1), Point((i + bins*2+1)*scale - 1, histHeight - intensity_blue), Scalar(0, 0, 255));


	} 

	imshow("圖像的RGB直方圖", histImage);
	waitKey(0);
	return 0;

}

運行結果如下：