直方圖

詳細描述

類
類	cv::CLAHE
	對比度受限自適應直方圖均衡化的基類。更多...

列舉
列舉	cv::HistCompMethods {   cv::HISTCMP_CORREL = 0 ,   cv::HISTCMP_CHISQR = 1 ,   cv::HISTCMP_INTERSECT = 2 ,   cv::HISTCMP_BHATTACHARYYA = 3 ,   cv::HISTCMP_HELLINGER = HISTCMP_BHATTACHARYYA ,   cv::HISTCMP_CHISQR_ALT = 4 ,   cv::HISTCMP_KL_DIV = 5 }

函式
void	cv::calcBackProject (const Mat *images, int nimages, const int *channels, const SparseMat &hist, OutputArray backProject, const float **ranges, double scale=1, bool uniform=true)
void	cv::calcBackProject (const Mat *images, int nimages, const int *channels, InputArray hist, OutputArray backProject, const float **ranges, double scale=1, bool uniform=true)
	計算直方圖的反向投影。
void	cv::calcBackProject (InputArrayOfArrays images, const std::vector< int > &channels, InputArray hist, OutputArray dst, const std::vector< float > &ranges, double scale)
void	cv::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)
	計算一組陣列的直方圖。
void	cv::calcHist (const Mat *images, int nimages, const int *channels, InputArray mask, SparseMat &hist, int dims, const int *histSize, const float **ranges, bool uniform=true, bool accumulate=false)
void	cv::calcHist (InputArrayOfArrays images, const std::vector< int > &channels, InputArray mask, OutputArray hist, const std::vector< int > &histSize, const std::vector< float > &ranges, bool accumulate=false)
double	cv::compareHist (const SparseMat &H1, const SparseMat &H2, int method)
double	cv::compareHist (InputArray H1, InputArray H2, int method)
	Compares two histograms.
Ptr< CLAHE >	cv::createCLAHE (double clipLimit=40.0, Size tileGridSize=Size(8, 8))
	建立一個指向 cv::CLAHE 類的智慧指標並初始化它。
float	cv::EMD (InputArray signature1, InputArray signature2, int distType, InputArray cost=noArray(), float *lowerBound=0, OutputArray flow=noArray())
	計算兩個加權點配置之間的“最小工作量”距離。
void	cv::equalizeHist (InputArray src, OutputArray dst)
	均衡化灰度影像的直方圖。
float	cv::wrapperEMD (InputArray signature1, InputArray signature2, int distType, InputArray cost=noArray(), Ptr< float > lowerBound=Ptr< float >(), OutputArray flow=noArray())

列舉型別文件

HistCompMethods

enum cv::HistCompMethods

#include <opencv2/imgproc.hpp>

直方圖比較方法

列舉器
HISTCMP_CORREL  Python: cv.HISTCMP_CORREL	相關性 \[d(H_1,H_2) = \frac{\sum_I (H_1(I) - \bar{H_1}) (H_2(I) - \bar{H_2})}{\sqrt{\sum_I(H_1(I) - \bar{H_1})^2 \sum_I(H_2(I) - \bar{H_2})^2}}\] 其中 \[\bar{H_k} = \frac{1}{N} \sum _J H_k(J)\] 其中 \(N\) 是直方圖 bin 的總數。
HISTCMP_CHISQR  Python: cv.HISTCMP_CHISQR	卡方 \[d(H_1,H_2) = \sum _I \frac{\left(H_1(I)-H_2(I)\right)^2}{H_1(I)}\]
HISTCMP_INTERSECT  Python: cv.HISTCMP_INTERSECT	交叉 \[d(H_1,H_2) = \sum _I \min (H_1(I), H_2(I))\]
HISTCMP_BHATTACHARYYA  Python: cv.HISTCMP_BHATTACHARYYA	巴塔查裡雅距離（實際上，OpenCV 計算的是海林格距離，它與巴塔查裡雅係數相關。） \[d(H_1,H_2) = \sqrt{1 - \frac{1}{\sqrt{\bar{H_1} \bar{H_2} N^2}} \sum_I \sqrt{H_1(I) \cdot H_2(I)}}\]
HISTCMP_HELLINGER  Python: cv.HISTCMP_HELLINGER	HISTCMP_BHATTACHARYYA 的同義詞。
HISTCMP_CHISQR_ALT  Python: cv.HISTCMP_CHISQR_ALT	另類卡方 \[d(H_1,H_2) = 2 * \sum _I \frac{\left(H_1(I)-H_2(I)\right)^2}{H_1(I)+H_2(I)}\] 這個替代公式經常用於紋理比較。例如，參見 [224]
HISTCMP_KL_DIV  Python: cv.HISTCMP_KL_DIV	庫爾巴克-萊布勒散度 \[d(H_1,H_2) = \sum _I H_1(I) \log \left(\frac{H_1(I)}{H_2(I)}\right)\]

函式文件

calcBackProject() [1/3]

void cv::calcBackProject	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		const SparseMat &	hist,
		OutputArray	backProject,
		const float **	ranges,
		double	scale = 1,
		bool	uniform = true )

Python
	cv.calcBackProject(	images, channels, hist, ranges, scale[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於接受的引數。

calcBackProject() [2/3]

void cv::calcBackProject	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		InputArray	hist,
		OutputArray	backProject,
		const float **	ranges,
		double	scale = 1,
		bool	uniform = true )

Python
	cv.calcBackProject(	images, channels, hist, ranges, scale[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

計算直方圖的反向投影。

函式 cv::calcBackProject 計算直方圖的反向投影。也就是說，與 calcHist 類似，在每個位置 (x, y)，該函式從輸入影像中選定的通道收集值並找到對應的直方圖 bin。但它不是增加 bin 的值，而是讀取 bin 值，透過 `scale` 進行縮放，並存儲在 `backProject(x,y)` 中。從統計學角度來看，該函式根據直方圖表示的經驗機率分佈計算每個元素值的機率。例如，您可以瞭解如何在一個場景中查詢和跟蹤一個顏色鮮豔的物體。

• 在跟蹤之前，將物體展示給相機，使其幾乎覆蓋整個幀。計算色調直方圖。該直方圖可能具有強烈的最大值，對應於物體中的主導顏色。
• 跟蹤時，使用預計算的直方圖計算每個輸入影片幀的色調平面的反向投影。對反向投影進行閾值處理以抑制弱顏色。抑制顏色飽和度不足以及過暗或過亮的畫素也可能是有意義的。
• 在結果影像中找到連通分量，並選擇，例如，最大的分量。

這是 CamShift 顏色物體跟蹤器的一種近似演算法。

引數

images	源陣列。它們都應該具有相同的深度（CV_8U、CV_16U 或 CV_32F）和相同的大小。每個陣列可以有任意數量的通道。
nimages	源影像的數量。
channels	用於計算反向投影的通道列表。通道數必須與直方圖的維度匹配。第一個陣列的通道從 0 到 `images[0].channels()-1` 編號，第二個陣列的通道從 `images[0].channels()` 到 `images[0].channels() + images[1].channels()-1` 計數，依此類推。
hist	輸入直方圖，可以是稠密的或稀疏的。
backProject	目標反向投影陣列，它是與 `images[0]` 具有相同大小和深度的單通道陣列。
ranges	每個維度中直方圖 bin 邊界的陣列的陣列。參見 calcHist。
scale	輸出反向投影的可選比例因子。
uniform	指示直方圖是否均勻的標誌（參見 calcHist）。

另請參見

calcHist, compareHist

calcBackProject() [3/3]

void cv::calcBackProject	(	InputArrayOfArrays	images,
		const std::vector< int > &	channels,
		InputArray	hist,
		OutputArray	dst,
		const std::vector< float > &	ranges,
		double	#include <opencv2/surface_matching/ppf_helpers.hpp>

Python
	cv.calcBackProject(	images, channels, hist, ranges, scale[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於接受的引數。

calcHist() [1/3]

void cv::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 )

Python
	cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist

#include <opencv2/imgproc.hpp>

計算一組陣列的直方圖。

函式 cv::calcHist 計算一個或多個數組的直方圖。用於增加直方圖 bin 的元組元素取自相應輸入陣列的相同位置。下面的示例展示瞭如何計算彩色影像的 2D 色調-飽和度直方圖。

#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
 
using namespace cv;
 
int main( int argc, char** argv )
{
    Mat src, hsv;
    if( argc != 2 || !(src=imread(argv[1], IMREAD_COLOR)).data )
        return -1;
 
    cvtColor(src, hsv, COLOR_BGR2HSV);
 
    // 將色調量化為 30 級
    // 將飽和度量化為 32 級
    int hbins = 30, sbins = 32;
    int histSize[] = {hbins, sbins};
    // 色調範圍從 0 到 179，參見 cvtColor
    float hranges[] = { 0, 180 };
    // 飽和度範圍從 0（黑-灰-白）到
    // 255（純光譜色）
    float sranges[] = { 0, 256 };
    const float* ranges[] = { hranges, sranges };
MatND hist;
    // 我們從第 0 和第 1 個通道計算直方圖
    int channels[] = {0, 1};
 
    calcHist( &hsv, 1, channels, Mat(), // 不使用掩碼
hist, 2, histSize, ranges,
             true, // 直方圖是均勻的
             false );
    double maxVal=0;
    minMaxLoc(hist, 0, &maxVal, 0, 0);
 
    int scale = 10;
    Mat histImg = Mat::zeros(sbins*scale, hbins*10, CV_8UC3);
 
    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*255/maxVal);
            rectangle( histImg, Point(h*scale, s*scale),
                        Point( (h+1)*scale - 1, (s+1)*scale - 1),
Scalar::all(intensity),
                        -1 );
        }
 
    namedWindow( "源影像", 1 );
    imshow( "源影像", src );
 
    namedWindow( "H-S 直方圖", 1 );
    imshow( "H-S 直方圖", histImg );
    waitKey();
}

引數

images	源陣列。它們都應該具有相同的深度（CV_8U、CV_16U 或 CV_32F）和相同的大小。每個陣列可以有任意數量的通道。
nimages	源影像的數量。
channels	用於計算直方圖的 dims 通道列表。第一個陣列的通道從 0 到 `images[0].channels()-1` 編號，第二個陣列的通道從 `images[0].channels()` 到 `images[0].channels() + images[1].channels()-1` 計數，依此類推。
mask	可選掩碼。如果矩陣不為空，它必須是一個 8 位陣列，其大小與 `images[i]` 相同。非零掩碼元素標記在直方圖中計數的陣列元素。
hist	輸出直方圖，它是一個稠密或稀疏的 dims 維陣列。
dims	直方圖維度，必須為正且不大於 CV_MAX_DIMS（當前 OpenCV 版本中等於 32）。
histSize	每個維度中直方圖大小的陣列。
ranges	每個維度中直方圖 bin 邊界的 dims 陣列的陣列。當直方圖是均勻的（`uniform = true`）時，對於每個維度 i，只需指定第 0 個直方圖 bin 的下限（包含）\(L_0\) 和最後一個直方圖 bin `histSize[i]-1` 的上限（不包含）\(U_{\texttt{histSize}[i]-1}\)。也就是說，在均勻直方圖的情況下，`ranges[i]` 的每個元素都是一個包含 2 個元素的陣列。當直方圖不均勻（`uniform = false`）時，`ranges[i]` 的每個元素包含 `histSize[i]+1` 個元素：\(L_0, U_0=L_1, U_1=L_2, ..., U_{\texttt{histSize[i]}-2}=L_{\texttt{histSize[i]}-1}, U_{\texttt{histSize[i]}-1}\)。不在 \(L_0\) 和 \(U_{\texttt{histSize[i]}-1}\) 之間的陣列元素不計入直方圖。
uniform	指示直方圖是否均勻的標誌（見上文）。
accumulate	累積標誌。如果設定此標誌，直方圖在分配時不會在開始時被清除。此功能使您能夠從多個數組集中計算單個直方圖，或隨時更新直方圖。

calcHist() [2/3]

void cv::calcHist	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		InputArray	mask,
		SparseMat &	hist,
		int	dims,
		const int *	histSize,
		const float **	ranges,
		bool	uniform = true,
		bool	accumulate = false )

Python
	cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist

#include <opencv2/imgproc.hpp>

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於接受的引數。

此變體使用 SparseMat 作為輸出

calcHist() [3/3]

void cv::calcHist	(	InputArrayOfArrays	images,
		const std::vector< int > &	channels,
		InputArray	mask,
		OutputArray	hist,
		const std::vector< int > &	histSize,
		const std::vector< float > &	ranges,
		bool	accumulate = false )

Python
	cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist

#include <opencv2/imgproc.hpp>

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於接受的引數。

此變體僅支援均勻直方圖。

`ranges` 引數可以是空向量，也可以是 `histSize.size()*2` 個元素（`histSize.size()` 對元素）的扁平向量。每對的第一個和第二個元素指定下限和上限。

compareHist() [1/2]

double cv::compareHist	(	const SparseMat &	H1,
		const SparseMat &	H2,
		int	method )

Python
	cv.compareHist(	H1, H2, method	) ->	retval

#include <opencv2/imgproc.hpp>

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於接受的引數。

compareHist() [2/2]

double cv::compareHist	(	InputArray	H1,
		InputArray	H2,
		int	method )

Python
	cv.compareHist(	H1, H2, method	) ->	retval

#include <opencv2/imgproc.hpp>

Compares two histograms.

函式 cv::compareHist 使用指定的方法比較兩個稠密或兩個稀疏直方圖。

該函式返回 \(d(H_1, H_2)\)。

儘管該函式在 1、2、3 維稠密直方圖上表現良好，但它可能不適用於高維稀疏直方圖。在此類直方圖中，由於混疊和取樣問題，非零直方圖 bin 的座標可能會略微偏移。為了比較此類直方圖或更一般的加權點稀疏配置，請考慮使用 EMD 函式。

引數

H1	第一個比較的直方圖。
H2	第二個比較的直方圖，其大小與 H1 相同。
方法	比較方法，參見 HistCompMethods

createCLAHE()

Ptr< CLAHE > cv::createCLAHE	(	double	clipLimit = 40.0,
		Size	tileGridSize = Size(8, 8) )

Python
	cv.createCLAHE(	[, clipLimit[, tileGridSize]]	) ->	retval

#include <opencv2/imgproc.hpp>

建立一個指向 cv::CLAHE 類的智慧指標並初始化它。

引數

clipLimit	對比度限制的閾值。
tileGridSize	直方圖均衡化的網格大小。輸入影像將被劃分為大小相等的矩形瓦片。`tileGridSize` 定義了行和列中的瓦片數量。

EMD()

float cv::EMD	(	InputArray	signature1,
		InputArray	signature2,
		int	distType,
		InputArray	cost = noArray(),
		float *	lowerBound = 0,
		OutputArray	flow = noArray() )

#include <opencv2/imgproc.hpp>

計算兩個加權點配置之間的“最小工作量”距離。

該函式計算兩個加權點配置之間的地球移動距離和/或距離的下限。在 [233]、[234] 中描述的應用之一是用於影像檢索的多維直方圖比較。EMD 是一個運輸問題，透過單純形演算法的一些修改來解決，因此在最壞情況下複雜度是指數級的，但平均而言速度要快得多。在真實度量的情況下，下限可以更快地計算（使用線性時間演算法），並且可以用來粗略地判斷兩個特徵是否足夠遠，以至於它們不能與同一個物件相關。

引數

signature1	第一個特徵，一個 \(\texttt{size1}\times \texttt{dims}+1\) 的浮點矩陣。每行儲存點權重，後跟點座標。如果使用使用者定義的成本矩陣，則該矩陣可以只有一列（僅權重）。權重必須是非負數並且至少有一個非零值。
signature2	第二個特徵，格式與 `signature1` 相同，但行數可能不同。總權重可能不同。在這種情況下，會向 `signature1` 或 `signature2` 新增一個額外的“虛擬”點。權重必須是非負數並且至少有一個非零值。
distType	使用的度量。參見 DistanceTypes。
cost	使用者定義的 \(\texttt{size1}\times \texttt{size2}\) 成本矩陣。此外，如果使用成本矩陣，則無法計算下限 `lowerBound`，因為它需要度量函式。
lowerBound	可選輸入/輸出引數：兩個特徵之間距離的下限，它是質心之間的距離。如果使用使用者定義的成本矩陣、點配置的總權重不相等，或者如果特徵僅由權重組成（特徵矩陣只有一列），則可能無法計算下限。您必須**初始化 `*lowerBound`。如果計算出的質心距離大於或等於 `*lowerBound`（這意味著特徵足夠遠），則函式不計算 EMD。在任何情況下，`*lowerBound` 在返回時都設定為計算出的質心距離。因此，如果您想同時計算質心距離和 EMD，`*lowerBound` 應設定為 0。
flow	結果 \(\texttt{size1} \times \texttt{size2}\) 流矩陣：\(\texttt{flow}_{i,j}\) 是從 `signature1` 的第 \(i\) 個點到 `signature2` 的第 \(j\) 個點的流。

equalizeHist()

void cv::equalizeHist	(	InputArray	src,
		OutputArray	dst )

Python
	cv.equalizeHist(	src[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

均衡化灰度影像的直方圖。

該函式使用以下演算法均衡輸入影像的直方圖：

• 計算src的直方圖\(H\)。
• 歸一化直方圖，使直方圖 bin 的總和為 255。
• 計算直方圖的積分

  \[H'_i = \sum _{0 \le j < i} H(j)\]

• 使用 \(H'\) 作為查詢錶轉換影像：\(\texttt{dst}(x,y) = H'(\texttt{src}(x,y))\)

該演算法可使影像亮度歸一化並增加對比度。

引數

src	源8位單通道影像。
dst	與 src 具有相同大小和型別的目標影像。

wrapperEMD()

float cv::wrapperEMD	(	InputArray	signature1,
		InputArray	signature2,
		int	distType,
		InputArray	cost = noArray(),
		Ptr< float >	lowerBound = Ptr< float >(),
		OutputArray	flow = noArray() )

Python
	cv.EMD(	signature1, signature2, distType[, cost[, lowerBound[, flow]]]	) ->	retval, lowerBound, flow

#include <opencv2/imgproc.hpp>