直方图可以反映图片的整体统计信息, 使用函数 CalcHist() 实现.
但CalcHist() 统计出的数量信息和图像大小相关, 如果要剔除图像大小因素, 需要做归一化处理, 归一化处理后的信息, 反映出各个颜色值得占比情况, 这样更方便不同size图像做对比, 归一化的函数为 Normalize().
/// <summary>/// computes the joint dense histogram for a set of images./// </summary>/// <param name="images">要统计直方图的Mat</param>/// <param name="channels">需要统计的通道Id, 为了理解方便, 一般仅统计一个通道</param>/// <param name="mask">掩码Mat, 如果是整张图片统计直方图, 传null即可</param>/// <param name="hist">统计后的hist mat</param>/// <param name="dims">输出直方图的维度, 灰度为1, 彩色为3</param>/// <param name="histSize">直方图横坐标的区间数, 即直方图每一维数组的大小</param>/// <param name="ranges">执直方图每个bin上下浮动的数值范围</param>/// <param name="uniform">直方图是否均匀, 一般取值为true</param>/// <param name="accumulate">累计标志, 多次进行直方图统计时是否需要累计, 一般取值为false</param>public static void CalcHist(Mat[] images, int[] channels, InputArray? mask,OutputArray hist, int dims, int[] histSize,Rangef[] ranges, bool uniform = true, bool accumulate = false){}/// <summary>/// scales and shifts array elements so that either the specified norm (alpha) /// or the minimum (alpha) and maximum (beta) array values get the specified values/// </summary>/// <param name="src">直方图hist mat</param>/// <param name="dst">归一化后的Mat, 归一化前后的mat具有相同的size</param>/// <param name="alpha">如果beta参数为0, alpha值为归一化后的下限值; 如果beta值>0; alpha值为归一化后的上限值;</param>/// <param name="beta">如果beta>0, 即指定归一化后的上限值</param>/// <param name="normType">归一化的算法</param>/// <param name="dtype"> 如dtype<0, 归一化后的数据类型同归一化之前的数据类型, 一般取-1即可</param>/// <param name="mask">掩码区</param>public static void Normalize(InputArray src, InputOutputArray dst, double alpha = 1, double beta = 0,NormTypes normType = NormTypes.L2, int dtype = -1, InputArray? mask = null)归一化有两类算法:
- 范围归一化, 上下限为[alpha, beta] , 算法需要使用 norm_type= NormTypes.MinMax, 函数会进行比例变换, 将数值从[min(src),max(src)]变换到[alpha,beta]区间.
- 范数归一化, 上下限为 [0, alpha],
. 算法取值为NORM_INF，此时函数normalize()会把src矩阵所有元素的最大绝对值调整为参数alpha的值。
. 算法取值为NORM_L1，此时函数normalize()会把src矩阵所有元素的绝对值之和调整为参数alpha的值。
. 算法取值为NORM_L2，此时函数normalize()会把src矩阵所有元素的绝对值的平方和进行开方后的值调整为参数alpha的值。
参考:
https://zhuanlan.zhihu.com/p/258118645https://blog.csdn.net/wenhao_ir/article/details/125619073https://blog.csdn.net/weixin_42207434/article/details/134020709https://blog.csdn.net/lweiyue/article/details/105775814
