opencv学习之(五)-直方图计算和绘制图像直方图

2023-05-16

1 直方图

灰度直方图的定义

灰度直方图是灰度级的函数,描述图像中该灰度级的像素个数(或该灰度级像素出现的频率):其横坐标是灰度级,纵坐标表示图像中该灰度级出现的个数(频率)。
一维直方图的结构表示为
高维直方图可以理解为图像在每个维度上灰度级分布的直方图。常见的是二维直方图。如红-蓝直方图的两个分量分别表示红光图像的灰度值和蓝光图像灰度值的函数。其图像坐标(Dr,Db)处对应在红光图像中具有灰度级Dr同时在蓝光图像中具有灰度级Db的像素个数。这是基于多光谱——每个像素有多个变量——的数字图像,二维中对应每个像素统计个变量。
   简单的说,直方图就是对数据进行统计,将统计值组织到一系列事先定义好的bin中。bin的数值是从数据中计算出的特征的统计量,这些数据可以是诸如梯度,方向,色彩或者任何其他特征。无论如何,直方图获得的是数据分布的统计图。通常直方图的数据要低于原始数据。由于原始数据点可以表征任何事情,所以直方图实际上是一个方便表示图像特征的手段。

2 灰度直方图的计算

// Histogram.cpp : 定义控制台应用程序的入口点。
//

/***********************************************************************
 * OpenCV 2.4.4 测试例程
 * 杜健健 提供
 ***********************************************************************/

#include "stdafx.h"
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>

using namespace std;
using namespace cv;

//参数:Gray_img --输入的灰度图像
//      hist 计算后输出的直方图
void myCal_Hist(Mat Gray_img,MatND hist){

	int bins = 256;  
    int hist_size[] = {bins};  
    float range[] = { 0, 256 };  
    const float* ranges[] = { range};  

	int channels[] = {0};  
    //计算直方图
    calcHist( &Gray_img, 1, channels, Mat(), // do not use mask  
        hist, 1, hist_size, ranges,  
        true, // the histogram is uniform  
        false );  

	//绘制直方图图像
	int hist_height=256;  
	//int bins = 256;
	double max_val;  //直方图的最大值
	int scale = 2;   //直方图的宽度
    minMaxLoc(hist, 0, &max_val, 0, 0); //计算直方图最大值

    Mat hist_img = Mat::zeros(hist_height,bins*scale, CV_8UC3); //创建一个直方图图像并初始化为0 

	cout<<"max_val = "<<max_val<<endl;
    //在直方图图像中写入直方图数据
    for(int i=0;i<bins;i++)  
    {  
        float bin_val = hist.at<float>(i); //	第i灰度级上的数	
        int intensity = cvRound(bin_val*hist_height/max_val);  //要绘制的高度  
		//填充第i灰度级的数据
        rectangle(hist_img,Point(i*scale,hist_height-1),  
            Point((i+1)*scale - 1, hist_height - intensity),  
            CV_RGB(255,255,255));  
    }
	
    imshow( "Gray Histogram2", hist_img );
}

//根据直方图数据绘制并显示直方图图像
void myShow_Histogram(MatND &hist,int scale){

	int hist_height=256;  
	int bins = 256;
	double max_val;  

    minMaxLoc(hist, 0, &max_val, 0, 0); 

    Mat hist_img = Mat::zeros(hist_height,bins*scale, CV_8UC3);  

	cout<<"max_val = "<<max_val<<endl;
    for(int i=0;i<bins;i++)  
    {  
        float bin_val = hist.at<float>(i); //

		
        int intensity = cvRound(bin_val*hist_height/max_val);  //要绘制的高度  

        rectangle(hist_img,Point(i*scale,hist_height-1),  
            Point((i+1)*scale - 1, hist_height - intensity),  
            CV_RGB(255,255,255));  
    }
	
    imshow( "Gray Histogram2", hist_img );
}

int _tmain(int argc, _TCHAR* argv[])
{

	Mat src,gray,src2,gray2;  
    //src=imread("D://input//buti.jpg");  
	src = imread("D://input//yalefaces//01//s1.bmp");
    cvtColor(src,gray,CV_RGB2GRAY);  //转换成灰度图

	src2 = imread("D://input//yalefaces//02//s1.bmp");
    cvtColor(src2,gray2,CV_RGB2GRAY);  //转换成灰度图
    MatND hist2;

    imshow( "Source", src );  
    //imshow( "Gray Histogram", hist_img );  
    imshow("Source2",src2);

	myCal_Hist(gray2,hist2);
	//myShow_Histogram(hist2,5);


    waitKey();  
    return 0;  
	
}


3 示例展示


4 参考

http://blog.csdn.net/xiaowei_cqu/article/details/7600666

http://blog.csdn.net/xiaowei_cqu/article/details/8833799#comments

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

opencv学习之(五)-直方图计算和绘制图像直方图 的相关文章

  • docker 官方的镜像大多基于debian,但是官方源apt-get update更新失败,如何更换成中国源

    一开始创建容器的时候就应该更换成国内数据源 xff0c 可是我的镜像源在经历重启后 xff0c 回归到官方镜像源 xff0c 当想安装别的linux命令时 xff0c 异常缓慢 xff0c 安装不上 这种情况就是镜像源导致 镜像源可以在容器
  • MySQL学习笔记(11)——创建视图

    11 视图 11 1 创建视图 创建视图的语法 创建视图使用CREATE VIEW语句 xff0c 基本语法格式如下 xff1a span class token keyword create span span class token p
  • Java 实现天气预报

    效果图 1 登录高德地图API开放平台 天气查询 API文档 开发指南 Web服务 API 高德地图API 2 用户在高德地图官网申请web服务API类型KEY 3 天气查询 天气查询API服务地址 xff1a URL https rest
  • 数学建模学习(1)———— 逻辑回归的使用和案例(2022.7.18)

    许多数学建模的使用基本都是一元线性回归 xff0c 和多元线性回归开始 xff0c 但由于经常看关于这两个东西 xff0c 实在不想从这开始整理笔记 xff0c 等后面印象不深后在整理过 文章目录 目录 文章目录 一 逻辑回归介绍 二 逻辑
  • Windows下python和pip的环境配置 ---转载

    本文转载于 xff1a http www cnblogs com yuanzm p 4089856 html 非常感谢原文作者的博文 xff0c 帮助了我学习的不少困惑 这篇文章作为学习使用Python的第一篇文章 xff0c 如何安装Py
  • GreenHills的使用及常用技巧

    GreenHills作为世界知名第三方调试工具支持市面上几乎所有芯片 V850调试工具有多种选择 当时项目使用Greenhills作为编译调试工具让我见识到了专业工具的强大 本文以KPIT AutoSAR的PORT模块为例介绍GreenHi
  • LaTeX 中处理参考文献的三种方法总结

    LaTeX 中处理参考文献的三种方法总结 方法一 xff1a 用BibLaTeX处理 分成如下四步 xff1a 第一步 xff1a 制作生成bib文件 xff1b 第二步 xff1a 在导言区需要加入biblatex宏包 xff1a use
  • mysql8之SSL加密

    新发现 xff1a 安装Mysql8后 xff0c 查看datadir 文件多了不少 xff0c 发现都是SSL加密对应得文件 pem pwd ls l pem data mysqldata rw 1 mysql mysql 1676 3月
  • mysql常用算法积累

    1 mysql计算百分比 使用sum函数 xff0c 如下 xff1a SELECT COUNT AS 总数 SUM CASE WHEN 96 匹配情况 96 61 1 THEN 1 ELSE 0 END AS 总匹配数 SUM CASE
  • Shell知识点回顾

    shell基本的语法 xff1a 定义变量 xff1a key 61 value 注意 xff1a 等号两边不能有空格 xff0c 使用字母数字下划线命名 xff0c 但是不能以数字开发头 xff0c 系统变量建议全大写字母 撤销变量使用的
  • PVE一些记录

    目录 1 简介 2 qm Qemu KVM 虚拟机管理器 3 vmdk img raw转qcow2 4 PVE网卡直通 5 一些位置映射 6 外挂硬盘操作参考 7 查看 修改ip 1 简介 PVE是基于debian的系统 xff0c 使用a
  • ARM架构 Linux 安装 gitlab

    Docker 安装 GitLab 由于 GitLab 官网上下载提供的全是 x86 架构的 xff0c 因此需要安装 ARM 的就需要自己通过源码编译 xff0c 编译的过程也比较繁琐 xff0c 这里使用的则为 Docker 镜像安装 x
  • debian下创建新用户useradd

    1 使用sudo sudo useradd m abc g sudo s bin bash d home abc sudo passwd abc 2 直接在root用户下 xff1a groupadd abc useradd m abc g
  • 第11周 动态规划二

    11 1 买房问题 题目描述 xff1a 蒜头君从现在开始工作 xff0c 年薪 N 万 他希望在蒜厂附近买一套 60平米的房子 xff0c 现在价格是 200 万 假设房子价格以每年百分之 K 增长 xff0c 并且蒜头君未来年薪不变 x
  • IntelliJ IDEA必须使用最新jdk问题解决

    最近碰见一个问题 xff0c 公司的项目大部分是jdk1 7的 xff0c 然后下了最新的IntelliJ IDEA居然需要1 8才能启动 xff0c 这就尴尬了 难道要改java home xff1f 上网搜了下 xff0c 在一个评论区
  • Win7上从硬盘安装Debian

    最近一直想将笔记本搞成Win7 43 Debian双系统 xff0c 因为不管如何优化 xff0c 2G内存的Win7笔记本上开个Linux虚拟机都实在吃力 经过一段时间的资料搜索 xff0c 并阅读Debian官方的安装文档 xff0c
  • 深度探索C++对象模型

    深度探索C 43 43 对象模型 参考链接 第1章 关于对象 Object Lessons C 43 43 的额外成本三种对象模型简单对象模型表格驱动对象模型C 43 43 对象模型 class和struct关键字的差异三种编程典范一个类的
  • 用单片机控制直流电机

    一 设计方案比较与分析 xff1a 1 电机调速控制模块 xff1a 方案一 xff1a 采用电阻网络或数字电位器调整电动机的分压 xff0c 从而达到调速的目的 但是电阻网络只能实现有级调速 xff0c 而数字电阻的元器件价格比较昂贵 更
  • python-类

    面向对象 在编程语言中 xff0c 我们将变量看成数据 xff0c 它用来存储多种形式的值 xff1b 我们将函数看成操作 xff0c 它用来对数据进行某些处理 所有的代码都由数据和操作构成 xff0c 程序运行的本质就是对数据进行各种操作
  • 求模逆元算法的C/C++实现

    include lt stdio h gt Name Copyright Author 64 dujianjian Date 01 11 12 11 26 Description 递归 三元组gcd a b 61 61 ax 43 by 6

随机推荐

  • python显示当前时间

    1 先导入库 xff1a import datetime 2 获取当前日期和时间 xff1a now time 61 datetime datetime now 3 格式化成我们想要的日期 xff1a strftime xff08 xff0
  • pandas中Series的使用

    文章目录 pandas的应用创建Series对象索引花式索引布尔索引Series对象的常用属性describe 方法 xff1a value count 方法unique 方法数据处理的方法 isnull 和notnull dropna 和
  • 什么是数据挖掘

    文章目录 什么是数据挖掘1 分类问题2 聚类问题3 回归问题 数据挖掘相关的标准库 数据挖掘模型训练分类问题聚类问题回归问题关联问题 模型集成模型评估评估指标混淆矩阵与标准率指标泛化能力评估 什么是数据挖掘 数据挖掘就是寻找数据中隐含的知识
  • Json数据传递参数

    文章目录 Json数据传递参数集合参数 xff1a Json格式POJO参数 xff1a json格式集合参数 xff1a json格式 64 RequestBody与 64 RequestParam的区别时间参数的转换 Json数据传递参
  • MybatisPlus的知识点

    文章目录 MybatisPlus的知识点常用注解分页功能 条件查询方式按条件查询NULL值处理查询投影查询条件的设定字段映射与表名映射id生成策略 xff08 insert xff09 逻辑删除 xff08 Delete Update xf
  • cookie和session

    文章目录 会话跟踪技术Cookie基本使用 Session服务器重启后 xff0c Session中的数据是否还在 会话跟踪技术 会话 xff1a 用户打开浏览器 xff0c 访问web服务器的资源 xff0c 会话建立 xff0c 直到一
  • 【Django】修改端口号与地址

    在启动 Django 项目时 xff0c Django 默认监听的端口号为 8000 xff0c 设置的默认 IP 地址为 127 0 0 1 如果需要修改默认的端口号和 IP 地址 xff0c 可以通过命令行 配置文件 PyCharm 这
  • 【mdk报错】Error: L6218E: Undefined symbol XXXX (referred from main.o)

    一种情况就是没有在用户文件夹中添加文件 xff08 如LED c xff09 第二种错误 xff1a 错误描述为 xff1a OBJ Template axf Error L6218E Undefined symbol main refer
  • Codeforces 1462 C. Unique Number

    Codeforces 1462 C Unique Number 题目链接 xff1a https codeforces com problemset problem 1462 C You are given a positive numbe
  • nohup: failed to run command 'java': No such file or directory

    文章目录 问题现象 xff1a 解决办法 xff1a 问题现象 xff1a 在Ambari平台启动某个服务时 xff0c 会在ambari server节点执行类型nohup java jar XX jar这样的指令 如果把这个指令单独拿出
  • opencv学习笔记(二)-对xml和yaml文件的读写操作

    一 xml和yaml的简单介绍 所谓的xml 就是eXtensible Markup Language 翻译成中文就是 可扩展标识语言 首先XML是一种元标记语言 xff0c 所谓 元标记 就是开发者可以根据自己的需要定义自己的标记 xff
  • 图形化CentOS7.5安装Xrdp服务使通过Windows远程桌面连接

    文章目录 安装启动远程连接 安装 离线的操作系统iso中没有这个包 xff0c 这里使用阿里的yum原下载安装 span class token comment 备份本地源 span span class token function mv
  • centos7 安装FreeSWITCH1.10.7

    好长时间没有安装新的FreeSWITCH了 xff0c 只是知道1 10 4以后spandsp和sofia sip分离出来 xff0c 需要单独编译 xff0c 但上次的实际操作还是很久之前 xff0c 今天又安装了一次 xff0c 索性将
  • Golang实现字符串长度截取,支持正反向

    func main fmt Println SubStr 34 helloword 34 1 1 start xff1a 起始下标 xff0c 负数从尾部开始 xff0c 1为最后一个 length xff1a 截取长度 xff0c 负数表
  • 配置CDN加速域名

    cdn域名加速配置教程 xff0c 切记加速域名与源站域名不能是同一个 第一步 xff1a 打开服务器管理控制台 找到cdn管理 第二部 xff1a 配置源站信息 第三步 xff1a 点击下一步进行审批 第四步 xff1a 审批通过后进行配
  • Proxmox VE(PVE) 添加Web控制台显示CPU和主板温度

    PVE 默认是没有CPU和主板温度显示的 xff0c 为方便使用 xff0c 我们自己加上 实际效果 版本和软件 Virtual Environment 6 1 3putty 或 PVE自带的Shell 或 MobaXterm 等工具 安装
  • python logging 日志输出 学习笔记 时间格式化

    一 logging介绍 Logging是python自带的模块 xff0c 这个模块支持输出不同级别的日志 xff0c 可以输出到控制台和写入文件 xff0c 支持 TCP HTTP GET POST SMTP Socket等 协议 xff
  • vim编辑器的工作模式及切换

    vim编辑器的工作模式及切换 vim编辑器包括哪几种模式 xff0c 各自的作用是什么 xff0c 如何切换 xff1f 主要包括三种工作模式 xff1a 命令模式 xff1a 启动vim编辑器后默认进入命令模式 xff0c 该模式中主要完
  • opencv学习之(三)-LBP算法的研究及其实现

    一 xff0c 原始LBP算法 LBP的基本思想是对图像的像素和它局部周围像素进行对比后的结果进行求和 把这个像素作为中心 xff0c 对相邻像素进行阈值比较 如果中心像素的亮度大于等于他的相邻像素 xff0c 把他标记为1 xff0c 否
  • opencv学习之(五)-直方图计算和绘制图像直方图

    1 直方图 灰度直方图的定义 灰度直方图是灰度级的函数 xff0c 描述图像中该灰度级的像素个数 xff08 或该灰度级像素出现的频率 xff09 xff1a 其横坐标是灰度级 xff0c 纵坐标表示图像中该灰度级出现的个数 xff08 频