引言

之前寫過很多圖像直方圖相關的知識跟OpenCV程序演示，這篇算是把之前的都回顧一波。做好自己的知識梳理。

圖像直方圖

圖像直方圖是圖像的基本屬性之一，也是圖像像素數據分布的統計學特征，常見的圖像直方圖可以分為二值圖像的直方圖表示如下：

上圖a是4x4的二值圖像，b是對應的直方圖，可以看出X軸表示像素范圍(0-黑色、1-白色),Y軸表示像素值出現的頻次，即分布。

對灰度圖像來說，它的像素值取值范圍會擴展到0～255之間，其直方圖可以表示如下：

從上面的圖中可以發現灰度圖像的直方圖依然是X軸表示像素值范圍、Y軸表示各個像素值出現頻次，即像素分布。

彩色圖像有紅色、綠色、藍色三個通道，其直方圖表示稍微復雜一點，要對每個通道進行直方圖計算跟表示，圖示如下：

可以看出彩色圖像的三個通道各自對應一個直方圖分布。

直方圖閾值化

OpenCV中支持的兩種閾值計算的二值化方法

THRESH_OTSU

THRESH_TRIANGLE

均是基于圖像直方圖實現圖像二值化分割，其中OTSU閾值分割（大津）對直方圖為雙峰的灰度圖像效果比較好，圖示如下：

而三角法對直方圖分布單峰的圖像分割效果比較好，圖示如下下：

直方圖均衡化

直方圖均衡化是一種通過提升圖像對比度實現圖像增強的方法，它跟最基礎的基于像素差值放縮改變對比度的方法效果更好。圖示如下：

從上圖中可以看出，最左側列是輸入圖像，是低對比度圖像，左側二列為直接改變像素值獲得對比度提升圖像，左側三列是通過直方圖均衡化完成對比度提升，最右側一列也是通過直方圖均衡化完成，不過是基于局部直方圖均衡化。OpenCV中支持兩種直方圖均衡化方法分別是：

正常的直方圖均衡化（全局直方圖均衡化）

對比度受限的自適應直方圖均衡化(CLAHE-局部自適應直方圖均衡化)

特別需要注意的是OpenCV的直方圖均衡化函數都只支持單通道八位的圖像、對RGB彩色圖像來說，要實現直方圖均衡化提升對比度必須先轉換到HSV色彩空間，然后對亮度通道V進行直方圖均衡化之后再轉換到RGB色彩空間顯示。

圖像直方圖還可以實現圖像相似性簡單分析與查找，其原理是對兩張圖像生成的直方圖分布數據，進行歸一化之后比較，根據數據像素程度，從而判定圖像內容的相似程度，該方法可靠性雖然不高，但勝在快捷方便。OpenCV中支持的直方圖比較的方法有如下：

相關函數為：

compareHist(
InputArray    H1,
InputArray    H2,
int    method
)

參數解釋

H1表示第一張圖的直方圖

H2表示第二張圖的直方圖

method表示直方圖比較的方法，支持卡方、相關性，交叉、巴氏距離

直方圖反向投影

圖像反向投影的最終目的是獲取ROI然后實現對ROI區域的標注、識別、測量等圖像處理與分析，是計算機視覺與人工智能的常見方法之一。反向投影通常是彩色圖像投影效果會比灰度圖像效果要好，原因在于彩色圖像帶有更多對象細節信息，在反向投影的時候更加容易判斷、而轉為灰度圖像會導致這些細節信息丟失、從而導致分割失敗。最常見的是基于圖像直方圖特征的反向投影，正是因為直方圖反向投影有這樣能力，所以在經典的MeanShift與CAMeanShift跟蹤算法中一直是通過直方圖反向投影來實現已知對象物體的定位。

需要注意的是，直方圖反向投影是基于顏色的，所以會對RGB彩色圖像轉換到HSV色彩空間，然后基于H跟S兩個通道生成2D直方圖數據分布，如下圖所示：

其它類型圖像直方圖與直方圖缺陷

除了圖像像素分布直方圖，還有一些其他類型基于圖像梯度跟角度的直方圖類型，總結如下：

-圖像像素直方圖
-圖像梯度直方圖
-圖像角度直方圖

后面兩種類型的直方圖在SIFT跟HOG特征提取的算法中都有應用，但是同時直方圖只是數據統計信息，沒有包含圖像空間信息，所以通過直方圖無法正確描述圖像的結構化信息。它的缺點圖示如下：

上圖說明直方圖數據完全一致的圖像，但是圖像的空間結構完全不同，根本沒有相似性可言，所以圖像直方圖信息只是圖像的基本屬性之一，但是不是圖像的唯一特征。同樣作為圖像的基本屬性之一，直方圖應用范圍非常廣泛，是最基礎的圖像特征向量數據之一，常規的直方圖歸一化即可得到PDF數據。

審核編輯：湯梓紅