opencv中的直方圖弄的一點小復雜，看了好幾天還是有點不明白，尤其是后面涉及多維直方圖的時候，算了還是一步一步的重新看一下吧。
一 直方圖基本操作
1 CvHistogram
CvHistogram
typedef struct CvHistogram
{
int type;
CvArr* bins; //存放每個灰度級數目的數組指針 實際上是 mat->data的數據
float thresh[CV_MAX_DIM][2]; //均勻直方圖 中每個bin的邊界
float** thresh2; //非均勻直方圖
CvMatND mat; //直方圖數組的內部數據結構
}
CvHistogram;
thresh是一個二維數據，里面存儲每個bin的上下邊界，對於非均勻直方圖，存儲在thresh2中，直方圖的數據主要存儲在CvMatND結構中，bins中其實就是指向CvMatND中
的data數據指針，對於密集矩陣，可以通過CvMatND mat直接訪問直方圖數據
cvCreateHist
CvHistogram* cvCreateHist
(
int dims, //直方圖維數
int* sizes,//直翻圖維數尺寸
int type, //直方圖的表示格式
float** ranges=NULL, //圖中方塊范圍的數組
int uniform=1 //歸一化標識
);
sizes必須為整數數組，長度等於dims的大小，每個整數表示對應維數分配的bin個數。例如dims =2， sizes = [255,255],表示2維都是255個bin。
type指定直方圖存儲的數據結構，CV_HIST_ARRAY 意味着直方圖數據表示為多維密集數組 CvMatND; CV_HIST_TREE 意味着直方圖數據表示為多維稀疏數組 CvSparseMat。
ranges是有浮點數構成，表明每個維度的統計范圍，數組個數和dims相等，也和uniform的值相關。當uniform=1時，表示直方圖是均勻的，那么rangs只用給出整個維度統計的上下限，程序會根據這個總范圍和維數決定每個bin的統計區間，例如uniform=1，dim =1 ， sizes = 2 , rangs = [0,10],那么直方圖中有2個bin的統計區間分別為[0 5] , [5 10] ；另一個復雜點的例子
int dims = 2 ；
int h_bins = 8, s_bins = 8;
int hist_size[] = {h_bins, s_bins}; //每個維度的bin數目
float h_ranges[] = { 0, 180 }; //統計區間
float s_ranges[] = { 0, 255 };
float* ranges[] = { h_ranges, s_ranges };//兩個維度的統計區間
int uniform = 1 ;
當uniform=0時直方圖是非均勻的，需要用數組對來表示，如果某維數里面有N個bin，需要N+1個數表示，例如，uniform=0，dim =4 ， sizes = 1 ,
rangs = [0,2,4,9,10] ,對應的每個bin的統計區級為[0 2] [2 4] [4 9] [9 10] .
3 直方圖釋放
void cvReleaseHist( CvHistogram** hist ); //函數 cvReleaseHist 釋放直方圖 (頭和數據). 指向直方圖的指針被函數所清空。如果 *hist 指針已經為 NULL, 則函數不做任何事情。
void cvClearHist( CvHistogram* hist ); //函數 cvClearHist 當直方圖是稠密數組時將所有直方塊設置為 0，當直方圖是稀疏數組時，除去所有的直方塊。
4.訪問直方圖的函數
一種是采用函數訪問；double cvquerhistValue_nD(CvHistogram* hist,int*idex);
對於密集直方圖可以采用直接訪問的
int n_dimension = histogram->mat.dims;
int dim_i_nbins = histogram->mat.dim[ i ].size;
// uniform histograms
int dim_i_bin_lower_bound = histogram->thresh[ i ][ 0 ];
int dim_i_bin_upper_bound = histogram->thresh[ i ][ 1 ];
// nonuniform histograms
int dim_i_bin_j_lower_bound = histogram->thresh2[ i ][ j ];
int dim_j_bin_j_upper_bound = histogram->thresh2[ i ][ j+1 ];
5.計算直方圖
void cvCalcHist( IplImage** image, CvHistogram* hist, int accumulate=0, const CvArr* mask=NULL );
image為單通道的IplImage圖像指針，多通道圖像使用splid函數分開計算即可。accumulate說明直方圖是否需要在計算前清零，如果為1則允許
cvCalcHist在一個數據采集循環中北多次調用。
6.直方圖中的最大值最小值
cvGetMinMaxHistValue
void cvGetMinMaxHistValue( const CvHistogram* hist,
float* min_value, float* max_value,
int* min_idx=NULL, int* max_idx=NULL );
hist
直方圖
min_value
直方圖最小值的指針
max_value
直方圖最大值的指針
min_idx
數組中最小坐標的指針
max_idx
數組中最大坐標的指針
函數 cvGetMinMaxHistValue 發現最大和最小直方塊以及它們的位置。任何輸出變量都是可選的。在具有同樣值幾個極值中，返回具有最小下標索引（以字母排列順序定）的那一個。
實例1：灰度圖像的直方圖顯示（1維直方圖，256灰度）
灰度直翻圖計算
IplImage * src= cvLoadImage("24.jpg");
IplImage* gray_plane = cvCreateImage(cvGetSize(src),8,1);
cvCvtColor(src,gray_plane,CV_BGR2GRAY);
int hist_size = 256; //直方圖尺寸
int hist_height = 256;
float range[] = {0,255}; //灰度級的范圍
float* ranges[]={range};
//創建一維直方圖，統計圖像在[0 255]像素的均勻分布
CvHistogram* gray_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1);
//計算灰度圖像的一維直方圖
printf("dim:%d\n",gray_hist->mat.dims); //訪問直方圖
printf("num of bin:%d\n",gray_hist->mat.dim[0].size);
printf("low of dim:%f\n",gray_hist->thresh[0][0]);
printf("up of dim:%f\n",gray_hist->thresh[0][1]);
cvCalcHist(&gray_plane,gray_hist,0,0);
for (UINT i = 0 ; i < gray_hist->mat.dim->size ; i ++) //訪問直方圖
{
printf("%d_bin:%f-----",i+1,cvQueryHistValue_1D(gray_hist,i));
printf("%d_bin:%f\n",i + 1 ,*(gray_hist->mat.data.fl + i));
}
//歸一化直方圖
cvNormalizeHist(gray_hist,1.0);
int scale = 2;
//創建一張一維直方圖的“圖”，橫坐標為灰度級，縱坐標為像素個數（*scale）
IplImage* hist_image = cvCreateImage(cvSize(hist_size*scale,hist_height),8,3);
cvZero(hist_image);
//統計直方圖中的最大直方塊
float max_value = 0;
cvGetMinMaxHistValue(gray_hist, 0,&max_value,0,0);
//分別將每個直方塊的值繪制到圖中
for(int i=0;i<hist_size;i++)
{
float bin_val = cvQueryHistValue_1D(gray_hist,i); //像素i的概率
int intensity = cvRound(bin_val*hist_height/max_value); //要繪制的高度
cvRectangle(hist_image,
cvPoint(i*scale,hist_height-1),
cvPoint((i+1)*scale - 1, hist_height - intensity),
CV_RGB(255,255,255));
}
cvNamedWindow( "GraySource", 1 );
cvShowImage("GraySource",gray_plane);
cvNamedWindow( "H-S Histogram", 1 );
cvShowImage( "H-S Histogram", hist_image );
cvWaitKey(0);
輸出結果
二維直方圖
IplImage * src= cvLoadImage("5.jpg");
IplImage* r_plane = cvCreateImage( cvGetSize(src), 8, 1 );
IplImage* g_plane = cvCreateImage( cvGetSize(src), 8, 1 );
IplImage* b_plane = cvCreateImage( cvGetSize(src), 8, 1 );
IplImage* planes[] = { r_plane, g_plane };
//將HSV圖像分離到不同的通道中
cvCvtPixToPlane( src, b_plane, g_plane, r_plane, 0 );
// 生成二維直方圖數據結構
int r_bins =256, b_bins = 256;
CvHistogram* hist;
int hist_size[] = { r_bins, b_bins };
float r_ranges[] = { 0, 255 };
float b_ranges[] = { 0, 255 };
float* ranges[] = { r_ranges,b_ranges };
hist = cvCreateHist( 2, hist_size, CV_HIST_ARRAY, ranges, 1);
//計算一張或多張單通道圖像image(s) 的直方圖
cvCalcHist( planes, hist, 0, 0 );
int scale = 2;
//創建一張一維直方圖的“圖”，橫坐標為灰度級，縱坐標為像素個數（*scale）
IplImage* hist_image = cvCreateImage(cvSize(r_bins * scale, b_bins * scale),8,3);
cvZero(hist_image);
//統計直方圖中的最大直方塊
float max_value = 0;
cvNormalizeHist(hist,1.0);
cvGetMinMaxHistValue(hist, 0,&max_value,0,0);
for( int h = 0; h < r_bins; h++ )
{
for( int s = 0; s < b_bins; s++ )
{
float bin_val = cvQueryHistValue_2D( hist, h, s ); //查詢直方塊的值
int intensity = cvRound( bin_val * 255 / max_value );
cvRectangle( hist_image,
cvPoint( h*scale, s*scale ),
cvPoint( (h+1)*scale - 1, (s+1)*scale - 1),
CV_RGB(intensity,intensity,intensity),
CV_FILLED);
}
}
cvNamedWindow( "Source");
cvShowImage("Source",src);
cvNamedWindow( "H-S Histogram", 1 );
cvShowImage( "H-S Histogram", hist_image );
cvWaitKey(0);
處理的顯示形式不是opencv例子那里的形式，這里采用R分量為X軸，B分量為Y軸，r,b中存儲的量為X Y分別為響應值的統量，如下圖，里面全部是紅色，B分量只有一點，所有直翻圖中的X軸（R分量）靠后，Y軸（B分量）很小
