本文共 7972 字，大约阅读时间需要 26 分钟。

图像直方图是反映一个图像像素分布的统计表,其实横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色,图像是由像素构成，因为反映像素分布的直方图往往可以作为图像一个很重要的特征。

在opencv中，直方图可以通过函数void calcHist( const Mat* images, int nimages,  const int* channels, InputArray mask,  OutputArray hist, int dims, const int* histSize, const float** ranges, bool uniform=true, bool accumulate=false );

其中，参数1：images（arrays): 源输入（图像）数组，必须是相同深度的CV_8U或者CV_32F(即uchar或者float),相同大小，每一个可以是任意通道的;

   参数2：nimages(narrays): 源输入数组中的元素个数(本例只有一幅图像，故为1)

   参数3：channels: 图像的通道，它是一个数组，如果是灰度图像(单通道）则channels[1]={0}，如果是彩色图像则channels[3]={0,1,2}；如果是只是求彩色图像第2个通道的直方图，则channels[1]={1};

   参数4：mask: 可选掩码，是一个遮罩图像用于确定哪些点参与计算，实际应用中是个很好的参数，默认情况我们都设置为一个空图像，即：Mat()。

   参数5：hist: 输出直方图，是一个稠密或者稀疏的dims维的数组;

   参数6：dims: 直方图的维数，（得到的直方图的维数，灰度图像为1维，彩色图像为3维。）必须为正，并且不大于CV_MAX_DIMS(32)(本例中为1，因为统计的是每幅单通道图像的灰度直方图）

   参数7：histSize：用于指出直方图数组每一维的大小的数组，即指出每一维的bin的个数的数组（本例中，只有1维，所以例子1中直接对int取地址作为参数，即该维的bin的个数为256）

   参数8： ranges：用于指出直方图每一维的每个bin的上下界范围数组的数组。

   参数9：uniform：判断直方图是均匀与否(均匀：true，非均匀：false)

   参数10：累加标志（单幅图像不进行累计所以例子1中为false）

需要注意的是：

（1）如果channels参数为0，则nimages(narrays):和dims必须相等。

（2）当channels不是0的时候，用于计算直方图的图像是images(arrays)中由channels指定的通道的图像，channels与images(arrays)中的图像的对应关系，如channels的参数说明的，将images(arrays)中的图像从第0幅开始按照通道摊开排列起来，然后channels中的指定的用于计算直方图的就是这些摊开的通道；

例如images（arrays）中只有一幅三通道的图像image，那么nimages（narrays）应该为1，如果是想计算3维直方图【最大也只能是3维的】，想将images的通道2作为第一维，通道0作为第二维，通道1作为第三维，则可以将channels设置为channesl={2,0,1};这样calcHist函数计算时就按照这个顺序来统计直方图。
可以看出channels不为0时narrays可以和dims不相等，只要保证images(arrays)中至少有channels指定的通道就可以。

 下面给出一个详细的例子：

#include "stdafx.h"#include 
   
    #include 
    
     #include 
     
      #include 
      
       #pragma comment(lib, "opencv_core246d.lib")#pragma comment(lib, "opencv_highgui246d.lib")#pragma comment(lib, "opencv_imgproc246d.lib")using namespace cv;using namespace std;#define HIST_DIM1int main( int argc, char** argv ){#ifdef HIST_DIM1//----------------------example 1-------------------------------//	Mat src, dst;	/// Load image	//加载图像	src = imread("D:\\EgtProject\\image\\test.jpg");	if( !src.data )	{ 		cout<<"load image failed"<
       
         rgb_planes;//#define SHOW_HSV#ifdef SHOW_HSV	Mat hsv;	cvtColor(src, hsv, COLOR_BGR2HSV);	split(hsv, rgb_planes ); #else	split(src, rgb_planes ); #endif	/// Establish the number of bins 	int histSize = 256; //用于形成直方图的“收集箱”的个数（级灰度级）	/// Set the ranges ( for R,G,B) )	float range[] = { 0, 255 } ; 	const float* histRange = { range };	bool uniform = true; bool accumulate = false;	Mat r_hist, g_hist, b_hist;	/// Compute the histograms:	calcHist( &rgb_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );	calcHist( &rgb_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );	calcHist( &rgb_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );	//r_hist中的data指针指向的数据，是每一个收集箱中，对应像素值得个数，即每个像素都有属于	//它的一个收集箱	for( int i = 1; i < histSize; i++ )	{ 		int rt=r_hist.at
        
         (i-1); //r_hist.data[256]={14094,1373,1474,1188,...,722,825,1012} cout << "ii=" <
         <<"->"<<
          
           (i-1); //每个收集箱上面的值 //由于图像的原点在左上角，故需要hist_h-cvRound(rt) line( histImage, Point( bin_w*(i-1), hist_h-cvRound(rt) ) , //r_hist[0-255]:存储的数据为，如：0对应3个点，1对应30个点，...,255对应20个点 Point( bin_w*(i), hist_h-cvRound(r_hist.at
           
            (i)) ), //r_hist.data={3,30,...,20} Scalar( 0, 0, 255), 4); //BGR line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at
            
             (i-1)) ) , Point( bin_w*(i), hist_h-cvRound(g_hist.at
             
              (i)) ), Scalar( 0, 255, 0), 4); line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at
              
               (i-1)) ) , Point( bin_w*(i), hist_h-cvRound(b_hist.at
               
                (i)) ), Scalar( 255, 0, 0), 4); } //将计数绘制到图像上（BGR) putText(histImage, "R", Point(300+10, 30), FONT_HERSHEY_SIMPLEX, 1, Scalar( 0, 0, 255), 3); putText(histImage, "G", Point(300-20, 250), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 255, 0), 3); putText(histImage, "B", Point(300+10, 300), FONT_HERSHEY_SIMPLEX, 1, Scalar( 255, 0, 0), 3); //绘制一个矩形（条形） for (int j=0; j
                
                 (r_hist.at
                 
                  (j)); //每个收集箱(bin）中的数值 //rgb_hist[0].row是rgb_hist[0]这个图像的高 //由于图像的原点在左上角，因此rgb_hist[0].rows-val //点 Point(j*2+10, rgb_hist[0].rows)：矩形的左下角，点Point((j+1)*2+10, rgb_hist[0].rows-val)：矩形的右上角 rectangle(rgb_hist[0], Point(j*2+10, rgb_hist[0].rows), Point((j+1)*2+10, rgb_hist[0].rows-val), Scalar(0,0,255),1,8); val = saturate_cast
                  
                   (g_hist.at
                   
                    (j)); rectangle(rgb_hist[1], Point(j*2+10, rgb_hist[1].rows), Point((j+1)*2+10, rgb_hist[1].rows-val), Scalar(0,255,0),1,8); val = saturate_cast
                    
                     (b_hist.at
                     
                      (j)); rectangle(rgb_hist[2], Point(j*2+10, rgb_hist[2].rows), Point((j+1)*2+10, rgb_hist[2].rows-val), Scalar(255,0,0),1,8); /**********直方图绘制倒立了-因为图像的原点从左上角开始的***********/ val = saturate_cast
                      
                       (r_hist.at
                       
                        (j)); //每个收集箱(bin）中的数值 //rgb_hist[0].row是rgb_hist[0]这个图像的高 //由于图像的原点在左上角，因此rgb_hist[0].rows-val rectangle(rgb_hist1[0], Point(j*2+10, 0), Point((j+1)*2+10, val), Scalar(0,0,255),1,8); val = saturate_cast
                        
                         (g_hist.at
                         
                          (j)); rectangle(rgb_hist1[1], Point(j*2+10, 0), Point((j+1)*2+10,val), Scalar(0,255,0),1,8); val = saturate_cast
                          
                           (b_hist.at
                           
                            (j)); rectangle(rgb_hist1[2], Point(j*2+10, 0), Point((j+1)*2+10, val), Scalar(255,0,0),1,8); } /// Display namedWindow("histImage", CV_WINDOW_AUTOSIZE ); namedWindow("wnd"); imshow("histImage", histImage ); imshow("wnd", src); imshow("R", rgb_hist[0]); imshow("G", rgb_hist[1]); imshow("B", rgb_hist[2]); imshow("R1", rgb_hist1[0]); imshow("G1", rgb_hist1[1]); imshow("B1", rgb_hist1[2]);#else//----------------------example 2-------------------------------// Mat src, hsv; if(!(src=imread("D:\\EgtProject\\image\\test.jpg")).data) return -1; cvtColor(src, hsv, CV_BGR2HSV); // Quantize the hue to 30 levels // and the saturation to 32 levels int hbins = 60, sbins = 64; int histSize[] = {hbins, sbins}; // hue varies from 0 to 179, see cvtColor float hranges[] = { 0, 180 }; // saturation varies from 0 (black-gray-white) to // 255 (pure spectrum color) float sranges[] = { 0, 256}; const float*ranges[] = { hranges, sranges }; MatND hist; // we compute the histogram from the 0-th and 1-st channels int channels[] = {0, 1}; calcHist( &hsv, 1, channels, Mat(),hist, 2, histSize, ranges,true, false ); double maxVal=0; minMaxLoc(hist, 0, &maxVal, 0, 0); int scale = 8; Mat histImg = Mat::zeros(sbins*scale, hbins*scale, CV_8UC3); for( int h = 0; h < hbins; h++ ) { for( int s = 0; s < sbins; s++ ) { float binVal = hist.at
                            
                             (h, s); int intensity = cvRound(binVal*255/maxVal); rectangle( histImg, Point(h*scale, s*scale),Point((h+1)*scale-1, (s+1)*scale-1), Scalar::all(intensity), CV_FILLED); } } namedWindow( "Source", 1 ); imshow( "Source", src ); namedWindow( "H-S Histogram", 1 ); imshow( "H-S Histogram", histImg );#endif //-------------------------------------------------------------------------// waitKey(0); destroyAllWindows(); return 0;}
                            
                           
                          
                         
                        
                       
                      
                     
                    
                   
                  
                 
                
               
              
             
            
           
          
        
       
      
     
    
   

运行结果:

图1 原始图

图2 RGB三个通道的直方图曲线

图3 R通道的直方图（正立）

图4 R通道的直方图（倒立）

图5 G通道的直方图（正立）

图 6 G通道的直方图（倒立）

图 7 B通道的直方图（正立）

图8 B 通道的直方图（倒立）

分析：

    （1）出现倒立的原因是因为，opencv中图像默认是把图像的左上角作为原点。

    （2）在opencv中RGB图像中的排列顺序是：BGR，因此，在设置颜色的时候也需要注意，如设置颜色值为红色， 是使用Scalar( 0, 0, 255)。

    （3）在直方图中，横坐标是收集箱（bins)的个数，纵坐标是相应的频数，即与收集箱区域的值对应的像素个数的统计。

    （4）对于函数calcHist，它的输出变量hist，是一个Mat类型，这个变量对应的data指针是指向，收集箱(bins)的频数，如在上面例子中data指向序列{14094,1373,1474,1188,...,722,825,1012}，其中14094是第1个bins中的频数，1373是第2个bin中的频数，...，1012是第256个bins中的频数（本例中收集箱(bins)的个数是256个）。

下面我们通过matlab，来测试一下，我们只打算输出R分量，同样我们打算设置收集箱(bins)的个数为256，一般情况下， bins的个数或者说条状的个数，可以认为是灰度级的个数，比如收集箱(bins)的个数为128，数据的变化范围是0-255，那么我们可以在0-255这256个数据区间中，分割128个区间，然后统计像素掉落在每个区间个数，即得到每个区间的频数。这128个区间，在数学上，可以这样分，[-0.5,1.5],[1.5,3.5],...,[253.5,255.5]，也就是所分区间的最大值要比255稍微大，区间的最小值比0要稍微小，在这里，我们去了-0.5和255.5，下面是测试结果：

图9 matlab中测试的R分量的柱状图

图10 matlab中R分量的曲线图直方图

代码：

close all

clc,clear img=imread('test.jpg'); r=img(:,:,1); %R分量 g=img(:,:,2); %G分量 b=img(:,:,3); %B分量 %nbins=128;    %区间（收集箱,即灰度级的个数)的个数 %[n,xout]=imhist(r,nbins); %n:是一个nbins*1大小的向量，记录了每个bin内的像素的个数                           %xout是区间分界值                            h=imhist(r,256); h1=h(1:1:256); horz = 1:1:256; bar(horz,h1); axis([0,255,0 2600]) ylabel('频数'); xlabel('灰度级') title('R分量') figure plot(1:256,h) ylabel('频数'); xlabel('灰度级') title('R分量') axis([0,255,0 2600])

参考文献: 

1.

2.