opencv | 图像直方图的应用场景

之前写过很多图像直方图相关的知识跟OpenCV程序演示，这篇算是把之前的都回顾一波。做好自己的知识梳理。

图像直方图是图像的基本属性之一，也是图像像素数据分布的统计学特征，常见的图像直方图可以分为二值图像的直方图表示如下：

上图a是4x4的二值图像，b是对应的直方图，可以看出X轴表示像素范围(0-黑色、1-白色),Y轴表示像素值出现的频次，即分布。

对灰度图像来说，它的像素值取值范围会扩展到0～255之间，其直方图可以表示如下：

从上面的图中可以发现灰度图像的直方图依然是X轴表示像素值范围、Y轴表示各个像素值出现频次，即像素分布。

彩色图像有红色、绿色、蓝色三个通道，其直方图表示稍微复杂一点，要对每个通道进行直方图计算跟表示，图示如下：

可以看出彩色图像的三个通道各自对应一个直方图分布。

OpenCV中支持的两种阈值计算的二值化方法

• THRESH_OTSU

• THRESH_TRIANGLE

均是基于图像直方图实现图像二值化分割，其中OTSU阈值分割（大津）对直方图为双峰的灰度图像效果比较好，图示如下：

而三角法对直方图分布单峰的图像分割效果比较好，图示如下下：

直方图均衡化是一种通过提升图像对比度实现图像增强的方法，它跟最基础的基于像素差值放缩改变对比度的方法效果更好。图示如下：

从上图中可以看出，最左侧列是输入图像，是低对比度图像，左侧二列为直接改变像素值获得对比度提升图像，左侧三列是通过直方图均衡化完成对比度提升，最右侧一列也是通过直方图均衡化完成，不过是基于局部直方图均衡化。OpenCV中支持两种直方图均衡化方法分别是：

• 正常的直方图均衡化（全局直方图均衡化）

• 对比度受限的自适应直方图均衡化(CLAHE-局部自适应直方图均衡化)

特别需要注意的是OpenCV的直方图均衡化函数都只支持单通道八位的图像、对RGB彩色图像来说，要实现直方图均衡化提升对比度必须先转换到HSV色彩空间，然后对亮度通道V进行直方图均衡化之后再转换到RGB色彩空间显示。图示如下：

 图像直方图还可以实现图像相似性简单分析与查找，其原理是对两张图像生成的直方图分布数据，进行归一化之后比较，根据数据像素程度，从而判定图像内容的相似程度，该方法可靠性虽然不高，但胜在快捷方便。OpenCV中支持的直方图比较的方法有如下：

相关函数为：

compareHist(InputArray    H1,InputArray    H2,int    method)

参数解释

• H1表示第一张图的直方图

• H2表示第二张图的直方图

• method表示直方图比较的方法，支持卡方、相关性，交叉、巴氏距离

图像反向投影的最终目的是获取ROI然后实现对ROI区域的标注、识别、测量等图像处理与分析，是计算机视觉与人工智能的常见方法之一。反向投影通常是彩色图像投影效果会比灰度图像效果要好，原因在于彩色图像带有更多对象细节信息，在反向投影的时候更加容易判断、而转为灰度图像会导致这些细节信息丢失、从而导致分割失败。最常见的是基于图像直方图特征的反向投影，正是因为直方图反向投影有这样能力，所以在经典的MeanShift与CAMeanShift跟踪算法中一直是通过直方图反向投影来实现已知对象物体的定位。

需要注意的是，直方图反向投影是基于颜色的，所以会对RGB彩色图像转换到HSV色彩空间，然后基于H跟S两个通道生成2D直方图数据分布，如下图所示：

 除了图像像素分布直方图，还有一些其他类型基于图像梯度跟角度的直方图类型，总结如下：

-图像像素直方图
-图像梯度直方图
-图像角度直方图

后面两种类型的直方图在SIFT跟HOG特征提取的算法中都有应用，但是同时直方图只是数据统计信息，没有包含图像空间信息，所以通过直方图无法正确描述图像的结构化信息。它的缺点图示如下：

上图说明直方图数据完全一致的图像，但是图像的空间结构完全不同，根本没有相似性可言，所以图像直方图信息只是图像的基本属性之一，但是不是图像的唯一特征。同样作为图像的基本属性之一，直方图应用范围非常广泛，是最基础的图像特征向量数据之一，常规的直方图归一化即可得到PDF数据。