image processing 系列：
- 【图像处理】图片旋转
【图像处理】高斯滤波、中值滤波、均值滤波
直方图匹配算法。又称直方图规定化。简单说。就是依据某函数、或者另外一张图片的引导，使得原图改变。
感觉解释的最好的是：http://www.360doc.com/content/13/1106/16/10724725_327179043.shtml
完整代码：github （里面同一时候包括OSTU / 大津算法、直方图均衡化等算法，还包括两种測试图片）。
由于我个人兴趣爱好（放P就是老师逼的。
。。）。不同意使用 OpenCV 封装好的直方图函数。
依据实例解说，了解了直方图匹配算法底层的操作（多说一句，这个样例能够是我见过最好的直方图匹配算法解说，也是非常难见的此算法的样例，必读）。
注：实例解说中 0->3 的意义是，原图中灰度级为 0 的像素点所有转化为原图中的 3 灰度级。
上代码（当中，srcImg 是原图。dstImg 是须要匹配的图，flag 标记两者是 RGB 图还是灰度图）：
cv::Mat ycMatchHist(cv::Mat srcImg, cv::Mat dstImg, int flag)
{
// ****** 假设是 RGB 图片则转为灰度图片操作 ******
Mat out(srcImg);
if (flag == YC_RGB)
{
cvtColor(srcImg, out, CV_BGR2GRAY);
}
else if (flag == YC_GRAY)
{
}
int grayLevel[colvl];
for(int i=0; i<colvl; i++) grayLevel[i] = i; int grayArr[colvl];
int srcRow = srcImg.rows;
int srcCol = srcImg.cols;
int dstRow = dstImg.rows;
int dstCol = dstImg.cols;
float srcCdfArr[colvl] = {0.f};
float dstCdfArr[colvl] = {0.f};
float tmp; // *** 求解源图片的累积直方图（概率）分布 ***
memset(grayArr, 0, sizeof(grayArr));
for(size_t nrow = 0; nrow < srcRow; nrow++)
for(size_t ncol = 0; ncol < srcCol; ncol++)
{
int tag = srcImg.at<uchar>(nrow, ncol);
grayArr[tag]++;
} tmp = 0;
for(int i=0; i<colvl; i++)
{
tmp += grayArr[i];
srcCdfArr[i] = tmp / (srcRow * srcCol);
// std::cout<<srcCdfArr[i]<<std::endl;
} // *** 求解目标图片的累积直方图（概率）分布 ***
memset(grayArr, 0, sizeof(grayArr));
for(size_t nrow = 0; nrow < dstRow; nrow++)
for(size_t ncol = 0; ncol < dstCol; ncol++)
{
int tag = dstImg.at<uchar>(nrow, ncol);
grayArr[tag]++;
} tmp = 0;
for(int i=0; i<colvl; i++)
{
tmp += grayArr[i];
dstCdfArr[i] = tmp / (dstRow * dstCol);
} // *** 直方图匹配算法 ***
int histMap[colvl];
int minTag;
for(int i=0; i<colvl; i++)
{
float minMap = 10.f;
for(int j=0; j<colvl; j++)
{
if (minMap > abs(srcCdfArr[i] - dstCdfArr[j]))
{
minMap = abs(srcCdfArr[i] - dstCdfArr[j]);
minTag = j;
}
}
histMap[i] = minTag;
} for(size_t nrow = 0; nrow < out.rows; nrow++)
for(size_t ncol = 0; ncol < out.cols; ncol++)
{
int tag = out.at<uchar>(nrow, ncol);
out.at<uchar>(nrow, ncol) = histMap[tag];
} return out;
}
实验结果例如以下：
原图为；
须要匹配的图是
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvaXJvbnlvdW5n/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">。
终于输出的是图
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvaXJvbnlvdW5n/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">。
匹配图片的灰度累积直方图为：
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvaXJvbnlvdW5n/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">；
终于输出的灰度累积直方图为：
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvaXJvbnlvdW5n/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">
两者非常接近了，证明匹配算法是可行的（当然假设我说错了，欢迎打脸。共同进步哈哈~）
