理论

什么是直方图？

收集直方图，将数据计数组织成一组预定义的箱
当我们说数据时，我们并不将其限制为强度值（正如我们在前面的教程中看到的那样）。收集的数据可以是您发现用于描述图像的任何功能。
我们来看一个例子吧。想象一下，矩阵包含图像的信息（即强度在0-255范围内）：
如果我们想要以有组织的方式统计这些数据，会发生什么？因为我们知道这种情况下的信息值范围是256个值，所以我们可以在子部分（称为bin）中分割我们的范围，如：
我们可以保持每个bini范围内的像素数量。将此应用于上面的示例，我们得到下面的图像（轴x表示箱子，轴y表示每个箱子中的像素数）。
这只是直方图如何工作以及为什么有用的简单示例。直方图不仅可以保持颜色强度的计数，还可以计算我们想要测量的任何图像特征（即梯度，方向等）。
让我们确定直方图的某些部分：

dims：要收集数据的参数数量。在我们的示例中，dims = 1，因为我们只计算每个像素的强度值（在灰度图像中）。
bin：它是每个暗淡的细分数量。在我们的示例中，bin = 16
range：要测量的值的限制。在这种情况下：范围= [0,255]

如果要计算两个功能怎么办？在这种情况下，您得到的直方图将是一个3D图（其中x和y将是每个要素的binx和biny，z将是（binx，biny）的每个组合的计数数量。同样适用于更多要素（当然它变得更棘手）。

代码

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>
using namespace std;
using namespace cv;
int main( int, char** argv )
{
  Mat src, dst;
  src = imread( argv[1], 1 );
  if( src.empty() )
    { return -1; }
  vector<Mat> bgr_planes;
  split( src, bgr_planes );
  int histSize = 256;
  float range[] = { 0, 256 } ;
  const float* histRange = { range };
  bool uniform = true; bool accumulate = false;
  Mat b_hist, g_hist, r_hist;
  calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );
  calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );
  calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );
  // Draw the histograms for B, G and R
  int hist_w = 512; int hist_h = 400;
  int bin_w = cvRound( (double) hist_w/histSize );
  Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );
  normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
  normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
  normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
  for( int i = 1; i < histSize; i++ )
  {
      line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at<float>(i-1)) ) ,
                       Point( bin_w*(i), hist_h - cvRound(b_hist.at<float>(i)) ),
                       Scalar( 255, 0, 0), 2, 8, 0  );
      line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at<float>(i-1)) ) ,
                       Point( bin_w*(i), hist_h - cvRound(g_hist.at<float>(i)) ),
                       Scalar( 0, 255, 0), 2, 8, 0  );
      line( histImage, Point( bin_w*(i-1), hist_h - cvRound(r_hist.at<float>(i-1)) ) ,
                       Point( bin_w*(i), hist_h - cvRound(r_hist.at<float>(i)) ),
                       Scalar( 0, 0, 255), 2, 8, 0  );
  }
  namedWindow("calcHist Demo", WINDOW_AUTOSIZE );
  imshow("calcHist Demo", histImage );
  waitKey(0);
  return 0;
}

解释

创建必要的矩阵
加载源图像
在三个R，G和B平面中分离源图像。为此，我们使用OpenCV函数cv :: split：
现在我们准备开始为每个平面配置直方图。由于我们正在使用B，G和R平面，我们知道我们的值将在区间[0,255]范围内

建立箱数（5,10 ......）：
设置值的范围（正如我们所说，在0到255之间）
我们希望我们的箱子具有相同的尺寸（均匀）并在开头清除直方图，因此：
最后，我们创建Mat对象来保存直方图。创建3（每个平面一个）：
我们继续使用OpenCV函数cv :: calcHist计算直方图：

(1)**＆bgr_planes [0]：**源数组

(2)1：源数组的数量（在这种情况下我们使用1.我们也可以在这里输入一个数组列表）
(3)0：要测量的通道（暗淡）。在这种情况下，它只是强度（每个数组是单通道）所以我们只写0。
(4)Mat（）：要在源数组上使用的掩码（指示要忽略的像素的零）。如果没有定义，则不使用它
(5)b_hist：将存储直方图的Mat对象
(6)1：直方图维度。
(7)histSize：每个使用维度的bin数
(8)histRange：每个维度要测量的值范围
(9)均匀和累积：箱尺寸相同，直方图在开始时被清除。