基於OpenCvSharp的數字圖像處理 - 直方圖

直方圖是對圖像灰度信息的一個統計結果，直方圖的分佈能夠反映圖像的某些特徵，可用於圖像匹配。

一、直方圖

提取圖像直方圖的代碼如下：

Mat src = new Mat(img_lenna, ImreadModes.Grayscale);
Mat hist = new Mat();
Cv2.CalcHist(new Mat[] { src }, new int[] { 0 }, new Mat(), hist, 1, new int[] { 256 }, new Rangef[] { new Rangef(0, 256) });
Cv2.Normalize(hist, hist);

Mat result = new Mat(new OpenCvSharp.Size(256, 500), MatType.CV_8UC1, new Scalar(255));
for (int i = 0; i < 256; i++)
{
    float v = hist.Get<float>(i);
    int len = (int)(v * 500);
    if (len != 0)
    {
        Cv2.Line(result, i, 499, i, 500 - len, new Scalar(0));
    }
}
result.SaveImage(img_result);

需要注意的是，由於圖像大小各異，一般我們會對直方圖進行歸一化處理，讓每個灰度比例之和爲1。

效果如下：

二、直方圖均衡化

對於一些偏暗、偏亮的圖片，其反映在直方圖上的特徵是灰度值偏向低強度或高強度，這樣的圖片看起來會不夠清晰。如下圖所示：

這種圖片的一個處理方法是進行直方圖均衡。實現代碼如下：

Mat src = new Mat(img_dark, ImreadModes.Grayscale);
Mat result = new Mat();
Cv2.EqualizeHist(src, result);
result.SaveImage(img_result);

效果如下：

三、直方圖比較

直方圖比較是用於比較兩張圖像的相似性。比較的方法有很多，它們的結果不太一致：

	完全匹配	一半匹配	完全不匹配
Correl	1	0.7	-1
Chisqr	0	0.67	2
Intersect	1	0.5	0
Bhattacharyya	0	0.55	1
EMD	0	0.5	1

比較代碼如下：

Mat p1 = new Mat(img_p1, ImreadModes.Grayscale);
Mat p2 = new Mat(img_p2, ImreadModes.Grayscale);

Mat hist1 = new Mat();
Cv2.CalcHist(new Mat[] { p1 }, new int[] { 0 }, new Mat(), hist1, 1, new int[] { 256 }, new Rangef[] { new Rangef(0, 256) });
Mat hist2 = new Mat();
Cv2.CalcHist(new Mat[] { p2 }, new int[] { 0 }, new Mat(), hist2, 1, new int[] { 256 }, new Rangef[] { new Rangef(0, 256) });

Cv2.Normalize(hist1, hist1);//比較前先進行歸一化
Cv2.Normalize(hist2, hist2);

double near = Cv2.CompareHist(hist1, hist2, HistCompMethods.Bhattacharyya);

四、模板匹配

模板匹配實質也是直方圖的比較，它是逐像素掃描，找出模板在原圖中匹配度最高的區域。代碼如下：

Mat src = new Mat(img_lenna, ImreadModes.Grayscale);
Mat templ = new Mat(img_template, ImreadModes.Grayscale);

Mat result = new Mat();
Cv2.MatchTemplate(src, templ, result, TemplateMatchModes.SqDiff);
Cv2.MinMaxLoc(result, out OpenCvSharp.Point minLoc, out OpenCvSharp.Point maxLoc);

minLoc、maxLoc是最優匹配區域和最差匹配區域所在的位置，根據匹配的方法使用不一樣，採用最大值還是最小值會有些不一樣。如果是SqDiff和SqDiffNormed，使用最小值，其他方法採用最大值。