17.OpenCV图像直方图、二维直方图与直方图均衡化详解

OpenCV图像直方图、二维直方图与直方图均衡化详解

   在图像处理领域，直方图是一种常用的统计工具，用于描述图像中像素值的分布情况。直方图不仅能揭示图像的对比度、亮度等信息，还可用于图像增强、分割、匹配等应用。本文将介绍如何使用 OpenCV C++ 计算图像直方图、构建二维直方图，以及如何进行直方图均衡化，从而提升图像质量。

1. 图像直方图

1.1 直方图基本概念

图像直方图（Image Histogram）是用于描述图像中像素值分布的统计图表，通过直观展示不同像素值的出现频率，帮助分析图像的亮度、对比度和颜色特征。它是图像处理中最基础且重要的工具之一。例如，对于灰度图像，横轴表示像素强度（0～255），纵轴表示每个强度值的像素数量。直方图能够帮助我们分析图像的曝光情况、对比度以及动态范围。

1. 横轴（X轴）
   • 表示像素的取值范围（如灰度图像的0-255，0为纯黑，255为纯白）。
   • 对于彩色图像，可以分别统计R、G、B通道的直方图。
2. 纵轴（Y轴）
   • 表示对应像素值的出现频率（即该像素值在图像中出现的次数）。
3. 图形形态
   • 每个柱状条（bin）代表一个像素值区间内像素的数量总和。

1.2核心作用

1. 诊断图像问题
   • 检测曝光问题（过曝/欠曝）、对比度不足等。
   • 例如：直方图集中在中间可能表明对比度低。
2. 指导图像增强
   • 直方图均衡化：拉伸像素分布，增强对比度。
   • 自适应直方图均衡化（CLAHE）：避免局部过增强。
3. 辅助图像分割
   • 通过直方图峰谷分析，确定阈值（如Otsu算法）。
4. 颜色分析
   • 识别主色调，分析颜色分布是否均衡。

1.3 示例代码：灰度图直方图计算与绘制

在 OpenCV 中，计算直方图主要使用函数 cv::calcHist。该函数可以针对单通道或多通道图像进行统计。
函数原型

void calcHist(
    const Mat* images,      // 输入图像数组
    int nimages,            // 图像数量（通常为 1）
    const int* channels,    // 指定计算直方图的通道索引（如 0 表示 BGR 中的 B 通道）
    InputArray mask,        // 可选的掩码（用于指定计算某个区域的直方图）
    OutputArray hist,       // 输出直方图（Mat 类型）
    int dims,               // 直方图的维度（如 1 表示灰度直方图，2 表示 H-S 直方图）
    const int* histSize,    // 每个维度的 bin 数（如 256 表示 256 个灰度级）
    const float** ranges,   // 每个维度的取值范围（如 [0, 256]）
    bool uniform = true,    // 是否均匀分布 bin（默认 true）
    bool accumulate = false // 是否累积计算（默认 false）
);

计算图片直方图

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取灰度图像
    Mat gray = imread("E:\\image\\lena.png", IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }

    // 设置直方图参数
    int histSize = 256; // 256个灰度级
    float range[] = { 0, 255 };
    const float* histRange = { range };

    // 计算直方图
    Mat hist;
    calcHist(&gray, 1, 0, Mat(), hist, 1, &histSize, &histRange);

    // 绘制直方图
    int hist_w = 512, hist_h = 400;
    int bin_w = cvRound((double)hist_w / histSize);
    Mat histImage(hist_h, hist_w, CV_8UC3, Scalar(255,255,255));

    // 归一化直方图到 [0, histImage.rows]
    normalize(hist, hist, 0, histImage.rows, NORM_MINMAX);

    for (int i = 1; i < histSize; i++) {
        line(histImage, Point(bin_w * (i - 1), hist_h - cvRound(hist.at<float>(i - 1))),
            Point(bin_w * (i), hist_h - cvRound(hist.at<float>(i))),
            Scalar(0,0,255), 2);
    }

    imshow("灰度图像", gray);
    imshow("直方图", histImage);
    waitKey(0);
    return 0;
}

2. 二维直方图

2.1 二维直方图概述

二维直方图用于描述图像中两个通道之间的联合分布。例如，对于彩色图像中的 Hue（色调）和 Saturation（饱和度），我们可以构建一个二维直方图来反映颜色的联合统计信息，这在颜色分割、目标检测等任务中非常有用。

2.2 OpenCV 中计算二维直方图

同样使用 cv::calcHist 函数，但需要同时传入两个通道的数据，并设置维数为 2

示例代码：计算 HSV 图像中 Hue 和 Saturation 的二维直方图

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取彩色图像并转换到 HSV 空间
    Mat img = imread("E:\\image\\lena.png");
    if (img.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }
    Mat hsv;
    cvtColor(img, hsv, COLOR_BGR2HSV);

    // 设置二维直方图参数
    int hBins = 50, sBins = 60;
    int histSize[2] = { hBins, sBins };
    // H 范围：0~180，S 范围：0~256
    float hRanges[] = { 0, 180 };
    float sRanges[] = { 0, 256 };
    const float* ranges[] = { hRanges, sRanges };
    int channels[] = { 0, 1 }; // 使用 H 和 S 通道

    // 计算二维直方图
    Mat hist;
    calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false);

    // 归一化直方图到 [0, 255]
    normalize(hist, hist, 0, 255, NORM_MINMAX, -1, Mat());

    // 将二维直方图显示为图像
    int scale = 4;  // 调整显示图像的尺寸因子
    Mat histImg = Mat::zeros(sBins * scale, hBins * scale, CV_8UC3);

    // 注意：hist 的维度为 [hBins x sBins]
    // 这里遍历 hBins 和 sBins，绘制每个 bin 的强度
    for (int h = 0; h < hBins; h++) {
        for (int s = 0; s < sBins; s++) {
            float binVal = hist.at<float>(h, s);
            int intensity = cvRound(binVal);
            // 使用颜色填充直方图的每个小矩形区域
            rectangle(histImg,
                Point(h * scale, s * scale),
                Point((h + 1) * scale - 1, (s + 1) * scale - 1),
                Scalar(intensity, intensity, intensity),
                FILLED);
        }
    }
    //转为彩色热力图
	applyColorMap(histImg, histImg, COLORMAP_JET);
    imshow("原始图像", img);
    imshow("二维直方图 (H vs S)", histImg);
    waitKey(0);
    return 0;
}

此示例展示了如何计算 HSV 图像中 Hue 和 Saturation 的二维直方图，并将统计结果绘制为一幅热图，直观反映颜色分布情况。

3. 直方图均衡化

3.1 均衡化原理

直方图均衡化是一种图像增强技术，其目标是改善图像对比度。通过重新分配像素的灰度值，使得直方图变得更均匀，达到突出细节和边缘的效果。该方法常用于灰度图像，但对于彩色图像，通常先将图像转换到 YCrCb 或 HSV 空间，仅对亮度通道进行均衡化，再转换回原空间。

3.2 OpenCV 中直方图均衡化

OpenCV 提供了 cv::equalizeHist 函数，该函数针对单通道图像进行均衡化。

示例代码：灰度图像直方图均衡化

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取灰度图像
    Mat gray = imread("E:\\image\\Opencv-logo.png",IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }

    // 进行直方图均衡化
    Mat equalized;
    equalizeHist(gray, equalized);

    // 显示原图和均衡化后的图像
    imshow("原始灰度图像", gray);
    imshow("直方图均衡化后的图像", equalized);
    waitKey(0);
    return 0;
}

运行后如下图左边对比度明显增强

示例代码：彩色图像直方图均衡化

对于彩色图像，我们可以先转换为 YCrCb 空间，对 Y 通道进行均衡化，再转换回 BGR 空间。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取彩色图像
    Mat img = imread("E:\\image\\lena.png");
    if (img.empty()) {
        cerr << "加载图像失败！" << endl;
        return -1;
    }

    // 转换到 YCrCb 空间
    Mat img_ycrcb;
    cvtColor(img, img_ycrcb, COLOR_BGR2YCrCb);

    // 分离通道，均衡化 Y 通道
    vector<Mat> channels;
    split(img_ycrcb, channels);
    equalizeHist(channels[0], channels[0]);
    merge(channels, img_ycrcb);

    // 转换回 BGR 空间
    Mat img_equalized;
    cvtColor(img_ycrcb, img_equalized, COLOR_YCrCb2BGR);

    imshow("原始彩色图像", img);
    imshow("彩色图直方图均衡化", img_equalized);
    waitKey(0);
    return 0;
}

3.3 自适应直方图均衡

自适应直方图均衡（Adaptive Histogram Equalization, AHE）是一种改进的直方图均衡化方法，它不是对整幅图像进行全局均衡，而是将图像划分为多个小区域（称为子块或窗口），在每个子块上分别执行直方图均衡化，以增强局部对比度。

基本步骤：

1. 划分子块（Tiles）： 将图像分成多个小的子区域（如 8×8 或 16×16）；
2. 计算直方图均衡化： 对每个子块单独计算累积分布函数（CDF）并应用均衡化；
3. 插值平滑（Interpolation）： 由于不同子块的均衡化结果可能不连续，采用双线性插值使其过渡平滑，避免块状效应；
4. 边界处理： 处理图像边缘区域，防止伪影出现。

对比普通直方图均衡化的优势：

• 适用于局部光照不均的图像，增强细节；
• 适用于对比度较低的区域，而不会过度增强对比度已高的区域；
• 解决了全局均衡化可能导致的过度曝光或伪影问题。

改进方法：CLAHE（对比度受限自适应直方图均衡化）

CLAHE（Contrast Limited Adaptive Histogram Equalization）是在 AHE 基础上增加了对比度限制，防止某些局部区域对比度过高而产生噪声。其核心思想是对每个子块的直方图设定一个对比度限制阈值，若某个灰度级的频率超过阈值，则将超出的部分均匀分配到所有灰度级，最终进行均衡化。

OpenCV 实现：

在 OpenCV 中，自适应直方图均衡化可通过 cv::createCLAHE() 实现，例如：

#include <opencv2/opencv.hpp>
using namespace cv;

int main() {
    Mat img = imread("image.jpg", IMREAD_GRAYSCALE);
    Ptr<CLAHE> clahe = createCLAHE(2.0, Size(8, 8));  // 限制对比度 2.0，窗口大小 8×8
    Mat dst;
    clahe->apply(img, dst);
    imshow("Original", img);
    imshow("CLAHE", dst);
    waitKey(0);
    return 0;
}

4. 小结

本文详细介绍了 OpenCV C++ 中的直方图分析技术，包括：

• 图像直方图：利用 cv::calcHist 计算灰度图像的直方图，并绘制统计结果。
• 二维直方图：通过统计两个通道（如 HSV 中的 H 和 S）的联合分布，构建二维直方图热图，展示颜色分布信息。
• 直方图均衡化：使用 cv::equalizeHist 对灰度图像进行均衡化，同时介绍了彩色图像均衡化的常用方法（基于 YCrCb 色彩空间）.
• 自适应均衡化：一种改进的直方图均衡化方法，它不是对整幅图像进行全局均衡，而是将图像划分为多个小区域（称为子块或窗口），在每个子块上分别执行直方图均衡化，以增强局部对比度

通过这些技术，我们不仅可以对图像的灰度或颜色分布进行详细分析，还能改善图像对比度，从而在图像预处理、特征提取和目标检测等任务中发挥重要作用.