圖像直方圖（英語：Image Histogram）是用以表示數(shù)字圖像中亮度分布的直方圖，標(biāo)繪了圖像中每個亮度值的像素數(shù)。可以借助觀察該直方圖了解需要如何調(diào)整亮度分布。這種直方圖中，橫坐標(biāo)的左側(cè)為純黑、較暗的區(qū)域，而右側(cè)為較亮、純白的區(qū)域。因此，一張較暗圖片的圖像直方圖中的數(shù)據(jù)多集中于左側(cè)和中間部分；而整體明亮、只有少量陰影的圖像則相反。
很多數(shù)碼相機提供圖像直方圖功能，拍攝者可以通過觀察圖像直方圖了解到當(dāng)前圖像是否過分曝光或者曝光不足。
計算機視覺領(lǐng)域常借助圖像直方圖來實現(xiàn)圖像的二值化.
圖像直方圖
1. 直方圖演示
圖像的直方圖用來表征該圖像像素值的分布情況。用一定數(shù)目的小區(qū)間(bin)來指定表征像素值的范圍,每個小區(qū)間會得到落入該小區(qū)間表示范圍的像素數(shù)目。
圖像直方圖圖形化顯示不同的像素值在不同的強度值上的出現(xiàn)頻率，對于灰度圖像來說強度范圍為[0~255]之間，對于RGB的彩色圖像可以獨立顯示三種顏色的圖像直方圖。
final Bitmap bitmap = BitmapFactory.decodeResource(res, R.drawable.test_hist2);
image0.setImageBitmap(bitmap);
CV4JImage cv4jImage = new CV4JImage(bitmap);
image1.setImageBitmap(drawHist(cv4jImage.getProcessor(),new Paint()));
drawHist()用于展示圖像的直方圖，并把它轉(zhuǎn)換成bitmap。
private Bitmap drawHist(ImageProcessor imageProcessor, Paint paint) {
CalcHistogram calcHistogram = new CalcHistogram();
int bins = 127;
int[][] hist = new int[imageProcessor.getChannels()][bins];
calcHistogram.calcHist(imageProcessor,bins,hist,true);
Bitmap bm = Bitmap.createBitmap(imageProcessor.getWidth(),imageProcessor.getHeight(), Bitmap.Config.ARGB_8888);
Canvas canvas = new Canvas(bm);
paint.setColor(Color.BLACK);
paint.setStyle(Paint.Style.FILL_AND_STROKE);
canvas.drawRect(0,0,imageProcessor.getWidth(),imageProcessor.getHeight(),paint);
float step = imageProcessor.getWidth()/127;
int xoffset;
int yoffset;
int channels = imageProcessor.getChannels();
int h = imageProcessor.getHeight();
int[] colors = new int[]{Color.argb(77,255,0,0),Color.argb(77,0,255,0),Color.argb(77,0,0,255)};
for (int i=0;i<channels;i++) {
paint.setColor(colors[i]);
for (int j=0;j<bins;j++) {
xoffset = (int)(j*step);
yoffset = hist[i][j]*h/255;
canvas.drawRect(xoffset,h-yoffset,xoffset+step,h,paint);
}
}
return bm;
}
如果對CalcHistogram感興趣，可以查看cv4j的具體實現(xiàn)。
2. 直方圖均衡化
直方圖均衡化（histogram equalization）是一種借助直方圖變換實現(xiàn)灰度映射從而達到圖像增強目的的方法。
直方圖均衡化通常是對圖像灰度值進行歸一化的一個非常好的方法，并且可以增強圖像的對比度。
基本思想：把原始圖的直方圖變換成為均勻分布的形式，這樣，就增加了像素灰度值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。
Resources res = getResources();
final Bitmap bitmap = BitmapFactory.decodeResource(res, R.drawable.test_hist);
image0.setImageBitmap(bitmap);
CV4JImage cv4jImage0 = new CV4JImage(bitmap);
ImageProcessor imageProcessor = cv4jImage0.convert2Gray().getProcessor();
Paint paint = new Paint();
calcImage0.setImageBitmap(drawHist(imageProcessor,paint));
CV4JImage cv4jImage = new CV4JImage(bitmap);
imageProcessor = cv4jImage.convert2Gray().getProcessor();
if (imageProcessor instanceof ByteProcessor) {
EqualHist equalHist = new EqualHist();
equalHist.equalize((ByteProcessor) imageProcessor);
image1.setImageBitmap(cv4jImage.getProcessor().getImage().toBitmap());
paint = new Paint();
calcImage1.setImageBitmap(drawHist(imageProcessor,paint));
}
private Bitmap drawHist(ImageProcessor imageProcessor,Paint paint) {
CalcHistogram calcHistogram = new CalcHistogram();
int bins = 127;
int[][] hist = new int[imageProcessor.getChannels()][bins];
calcHistogram.calcHist(imageProcessor,bins,hist,true);
Bitmap bm = Bitmap.createBitmap(512,512, Bitmap.Config.ARGB_8888);
Canvas canvas = new Canvas(bm);
paint.setColor(Color.BLACK);
paint.setStyle(Paint.Style.FILL_AND_STROKE);
canvas.drawRect(0,0,512,512,paint);
float step = 512.0f/127;
int xoffset;
int yoffset;
int channels = imageProcessor.getChannels();
int[] colors = new int[]{Color.argb(127,255,0,0),Color.argb(127,0,255,0),Color.argb(127,0,0,255)};
for (int i=0;i<channels;i++) {
paint.setColor(colors[i]);
for (int j=0;j<bins;j++) {
xoffset = (int)(j*step);
yoffset = hist[i][j]*512/255;
canvas.drawRect(xoffset,512-yoffset,xoffset+step,512,paint);
}
}
return bm;
}
同樣，如果對EqualHist感興趣，可以查看cv4j的具體實現(xiàn)。
它們能做什么？
圖像是由像素構(gòu)成的，然而直方圖能夠反映像素的分布情況，可以作為是圖像一個很重要的特征。在實際開發(fā)中，圖像直方圖在特征提取、圖像匹配等方面都有很好的應(yīng)用。除此之外，直方圖還能做圖像的相似度匹配。
直方圖均衡化則用于增強圖片，利于人的視覺效果或便于機器識別。
總結(jié)
CalcHistogram 和 EqualHist 是cv4j中直方圖相關(guān)操作的類。
cv4j 是gloomyfish和我一起開發(fā)的圖像處理庫，純java實現(xiàn)，目前還處于早期的版本。
上周末我們開始做直方圖的相關(guān)操作，預(yù)計下周能做完這個模塊。
另外，在Google I/O之后，我們第一時間便更新了cv4j中的rxcv4j模塊。該模塊顧名思義是對cv4j使用RxJava進行封裝，我們將該模塊用Kotlin重寫，也算是趕了一回時髦：）。
該系列先前的文章：
模擬油畫和鉛筆畫的濾鏡效果
二值圖像分析之輪廓分析
基于邊緣保留濾波實現(xiàn)人臉磨皮的算法
二值圖像分析:案例實戰(zhàn)(文本分離+硬幣計數(shù))
Java實現(xiàn)高斯模糊和圖像的空間卷積
Java實現(xiàn)圖片濾鏡的高級玩法
Java實現(xiàn)圖片的濾鏡效果
