[OpenCV] Image Processing - Grayscale Transform

颜色直方图

---

首先，先介绍一些Hist的基本使用。

Ref：【OpenCV】数字图像灰度直方图

官方文档：https://docs.opencv.org/trunk/d8/dbc/tutorial_histogram_calculation.html

不错博文：利用OpenCV的calcHist绘制灰度直方图、H-S直方图、BGR直方图和自定义直方图的源码及说明

From: compare histograms of grayscale images in opencv

#include <opencv2/opencv.hpp>

void show_histogram(std::string const& name, cv::Mat1b const& image)
{
    // Set histogram bins count
    int bins = ;
    int histSize[] = {bins};
    // Set ranges for histogram bins
    float lranges[] = {, };
    const float* ranges[] = {lranges};
    // create matrix for histogram
    cv::Mat hist;
    int channels[] = {};

    // create matrix for histogram visualization
    int const hist_height = ;
    cv::Mat3b hist_image = cv::Mat3b::zeros(hist_height, bins);

    cv::calcHist(&image, , channels, cv::Mat(), hist, , histSize, ranges, true, false);

    double max_val=;
    minMaxLoc(hist, , &max_val);

    // visualize each bin
    for(int b = ; b < bins; b++) {
        float const binVal = hist.at<float>(b);
        int   const height = cvRound(binVal*hist_height/max_val);
        cv::line
            ( hist_image
            , cv::Point(b, hist_height-height), cv::Point(b, hist_height)
            , cv::Scalar::all()
            );
    }
    cv::imshow(name, hist_image);
}

int main (int argc, const char* argv[])
{
    // here you can use cv::IMREAD_GRAYSCALE to load grayscale image, see image2
    cv::Mat3b const image1 = cv::imread("C:\\workspace\\horse.png", cv::IMREAD_COLOR);
    cv::Mat1b image1_gray;
    cv::cvtColor(image1, image1_gray, cv::COLOR_BGR2GRAY);
    cv::imshow("image1", image1_gray);
    show_histogram("image1 hist", image1_gray);

    cv::Mat1b const image2 = cv::imread("C:\\workspace\\bunny.jpg", cv::IMREAD_GRAYSCALE);
    cv::imshow("image2", image2);
    show_histogram("image2 hist", image2);

    cv::waitKey();
    return ;
}

Histogram equalization

---

参考：笑得很甜

偏差、增益参数

线性混合算子

非线性算子

覆盖算子

---

直方图均衡化

直方图的观看规则就是“左黑右白”，左边代表暗部，右边代表亮部，而中间则代表中间调。 纵向上的高度代表像素密集程度，越高，代表的就是分布在这个亮度上的像素很多。

如何看懂照片的直方图？

对比度

对比度在直方图上的体现就是高光和阴影部分都有像素。

它可以很少，但是必须有，否则照片看起来就很灰了。正常照片变为低对比度后的直方图对比：

                     

　　当然，也有看起来不错的低对比度图片，但它的直方图不会像上图那样极端，一般都是没有纯黑，但高光都比较足：
　　

均衡化

(a) vs (e)  对比度有所加强。

However，可能放大暗区域的噪声。

它的基本思想是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展像原取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。

http://blog.csdn.net/xiaowei_cqu/article/details/7606607
从分布图上的理解就是希望原始图像中y轴的值在新的分布中尽可能的展开。
变换过程是利用累积分布函数对原始分布进行映射，生成新的均匀拉伸的分布。
因此,对应每个点的操作是寻找原始分布中y值在均匀分布中的位置，如下图是理想的单纯高斯分布映射的示意图：

int main()
{
    IplImage * image= cvLoadImage("baboon.jpg");
    //显示原图及直方图
    myShowHist("Source",image);  

    IplImage* eqlimage=cvCreateImage(cvGetSize(image),image->depth,);
    //分别均衡化每个信道
    IplImage* redImage=cvCreateImage(cvGetSize(image),image->depth,);
    IplImage* greenImage=cvCreateImage(cvGetSize(image),image->depth,);
    IplImage* blueImage=cvCreateImage(cvGetSize(image),image->depth,);
    cvSplit(image,blueImage,greenImage,redImage,NULL);  

    cvEqualizeHist(redImage,redImage);
    cvEqualizeHist(greenImage,greenImage);
    cvEqualizeHist(blueImage,blueImage);
    //均衡化后的图像
    cvMerge(blueImage,greenImage,redImage,NULL,eqlimage);
    myShowHist("Equalized",eqlimage);
}  

cvEqualizeHist

此函数只能处理单通道的灰色图像，对于彩色图像，我们可以把每个信道分别均衡化，再Merge为彩色图像。

算法演示：

自定义均衡化

(直方图匹配 or 直方图规定化)

//将图像与特定函数分布histv[]匹配
void myHistMatch(IplImage *img,double histv[])
{
    int bins = ;
    int sizes[] = {bins};
    CvHistogram *hist = cvCreateHist(,sizes,CV_HIST_ARRAY);
    cvCalcHist(&img,hist);
    cvNormalizeHist(hist,);
    double val_1 = 0.0;
    double val_2 = 0.0;
    uchar T[] = {};
    double S[] = {};
    double G[] = {};
    for (int index = ; index<; ++index)
    {
        val_1 += cvQueryHistValue_1D(hist,index);
        val_2 += histv[index];
        G[index] = val_2;
        S[index] = val_1;
    }  

    double min_val = 0.0;
    int PG = ;
    for ( int i = ; i<; ++i)
    {
        min_val = 1.0;
        for(int j = ;j<; ++j)
        {
            if( (G[j] - S[i]) < min_val && (G[j] - S[i]) >= )
            {
                min_val = (G[j] - S[i]);
                PG = j;
            }  

        }
        T[i] = (uchar)PG;
    }  

    uchar *p = NULL;
    for (int x = ; x<img->height;++x)
    {
        p = (uchar*)(img->imageData + img->widthStep*x);
        for (int y = ; y<img->width;++y)
        {
            p[y] = T[p[y]];
        }
    }
}  

// 生成高斯分布
void GenerateGaussModel(double model[])
{
    double m1,m2,sigma1,sigma2,A1,A2,K;
    m1 = 0.15;
    m2 = 0.75;
    sigma1 = 0.05;
    sigma2 = 0.05;
    A1 = ;
    A2 = 0.07;
    K = 0.002;  

    double c1 = A1*(1.0/(sqrt(*CV_PI))*sigma1);
    double k1 = *sigma1*sigma1;
    double c2 = A2*(1.0/(sqrt(*CV_PI))*sigma2);
    double k2 = *sigma2*sigma2;
    double p = 0.0,val= 0.0,z = 0.0;
    for (int zt = ;zt < ;++zt)
    {
        val = K + c1*exp(-(z-m1)*(z-m1)/k1) + c2*exp(-(z-m2)*(z-m2)/k2);
        model[zt] = val;
        p = p +val;
        z = z + 1.0/;
    }
    for (int i = ;i<; ++i)
    {
        model[i] = model[i]/p;
    }
}   

cvCalcHist

将图像规定化为高斯分布函数。

算法演示：

计算变换函数 根据 规定的直方图 得来。但非严格单调，所以需要：

    (a:s值) --> (b:z值)    

发现：S0与G(Z3)竟然一致，正好匹配。

对比直方图

通过直方图匹配，可以使图像的相似度变高，但也仅仅是从颜色的角度。

int main()
{
    IplImage * image= cvLoadImage("myhand1.jpg");
    IplImage * image2= cvLoadImage("myhand2.jpg");
    int hist_size=;
    float range[] = {,};
    float* ranges[]={range};  

    IplImage* gray_plane = cvCreateImage(cvGetSize(image),,);
    cvCvtColor(image,gray_plane,CV_BGR2GRAY);
    CvHistogram* gray_hist = cvCreateHist(,&hist_size,CV_HIST_ARRAY,ranges,);
    cvCalcHist(&gray_plane,gray_hist,,);  

    IplImage* gray_plane2 = cvCreateImage(cvGetSize(image2),,);
    cvCvtColor(image2,gray_plane2,CV_BGR2GRAY);
    CvHistogram* gray_hist2 = cvCreateHist(,&hist_size,CV_HIST_ARRAY,ranges,);
    cvCalcHist(&gray_plane2,gray_hist2,,);  

    //相关：CV_COMP_CORREL
    //卡方：CV_COMP_CHISQR
    //直方图相交：CV_COMP_INTERSECT
    //Bhattacharyya距离：CV_COMP_BHATTACHARYYA
    double  com=cvCompareHist(gray_hist,gray_hist2,CV_COMP_BHATTACHARYYA);  

    cout<<com<<endl;
}  

cvCompareHist

cvCompareHist的结果为【0,1】的浮点数，越小表示两幅图匹配度越高，0.0时两幅图精确匹配。　　

提供的对比方法有四种：

　　 　　

局部增强 (涉及到统计，大有可为)

分辨亮区域与暗区域的不同，同时只增强暗区域。