圖像直方圖是圖像的基本屬性之一，也是圖像像素數(shù)據(jù)分布的統(tǒng)計學(xué)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(yīng)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(xiàn)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(fā)現(xiàn)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(xiàn)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(fù)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(yīng)一個直方圖分布。

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(xiàn)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：

直方圖均衡化是一種通過提升圖像對比度實現(xiàn)圖像增強的方法，它跟最基礎(chǔ)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(cè)列是輸入圖像，是低對比度圖像，左側(cè)二列為直接改變像素值獲得對比度提升圖像，左側(cè)三列是通過直方圖均衡化完成對比度提升，最右側(cè)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(yīng)直方圖均衡化(CLAHE-局部自適應(yīng)直方圖均衡化)

特別需要注意的是OpenCV的直方圖均衡化函數(shù)都只支持單通道八位的圖像、對RGB彩色圖像來說，要實現(xiàn)直方圖均衡化提升對比度必須先轉(zhuǎn)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(zhuǎn)換到RGB色彩空間顯示。圖示如下：

 圖像直方圖還可以實現(xiàn)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(shù)據(jù)，進行歸一化之后比較，根據(jù)數(shù)據(jù)像素程度，從而判定圖像內(nèi)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(guān)函數(shù)為：

參數(shù)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(guān)性，交叉、巴氏距離

圖像反向投影的最終目的是獲取ROI然后實現(xiàn)對ROI區(qū)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(jié)信息，在反向投影的時候更加容易判斷、而轉(zhuǎn)為灰度圖像會導(dǎo)致這些細節(jié)信息丟失、從而導(dǎo)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(jīng)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(xiàn)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(zhuǎn)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(shù)據(jù)分布，如下圖所示：

 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(jié)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(yīng)用，但是同時直方圖只是數(shù)據(jù)統(tǒng)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(jié)構(gòu)化信息。它的缺點圖示如下：

上圖說明直方圖數(shù)據(jù)完全一致的圖像，但是圖像的空間結(jié)構(gòu)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(yīng)用范圍非常廣泛，是最基礎(chǔ)的圖像特征向量數(shù)據(jù)之一，常規(guī)的直方圖歸一化即可得到PDF數(shù)據(jù)。