OpenCV C++ 中统计学函数详解 —— 最大值、最小值、平均值、方差等应用介绍

1.简介

在图像处理和计算机视觉领域，统计学函数为图像数据的分析提供了基础工具。通过统计图像中的像素值信息，我们可以了解图像的动态范围、噪声水平以及图像整体的亮度分布，从而为图像增强、分割、目标检测等任务提供依据。本文将介绍 OpenCV C++ 中常用的统计学函数及其应用，包括求取最大值、最小值、平均值以及标准差（进而获得方差）的函数。

2.API介绍

2.1 最大值与最小值 —— cv::minMaxLoc

在图像处理过程中，了解图像中像素的最大值与最小值对于动态范围调整、图像归一化及阈值分割等都有重要意义。OpenCV 提供了 cv::minMaxLoc 函数，用于在图像（或矩阵）中查找像素的最小值和最大值，同时还可以获取这些值所在的位置。

void cv::minMaxLoc(InputArray src, double* minVal, double* maxVal, 
                   Point* minLoc = 0, Point* maxLoc = 0, InputArray mask = cv::noArray());

• 参数说明：
  • src：输入图像，可以是单通道或多通道，但对于多通道图像，需要先分离各个通道。
  • minVal：指向存放最小值的变量的指针。
  • maxVal：指向存放最大值的变量的指针。
  • minLoc：指向存放最小值位置（坐标）的变量的指针（可选）。
  • maxLoc：指向存放最大值位置（坐标）的变量的指针（可选）。
  • mask：掩码图像，若需要对图像的某一区域进行统计，则可传入掩码。

参考代码：

#include "stdio.h"
#include "opencv2/opencv.hpp"
#include <iostream>
using namespace cv;

int main()
{
	cv::Mat srcImage=cv::imread("E:\\image\\Opencv-logo.png");
	//RGB通道分离
	std::vector<Mat> splitImage;
	split(srcImage, splitImage);
	double minValue, maxValue; //最大最小值
	Point minLoc, maxLoc;     //最大最小值的位置
	for (int i=0;i<srcImage.channels();i++)
	{
		minMaxLoc(splitImage[i], &minValue, &maxValue, &minLoc, &maxLoc);
		std::cout << "min:" << minValue << " max:" << maxValue << std::endl;
	}
	imshow("src", srcImage);
	waitKey();
	cv::destroyAllWindows();
	return 0;
}

2. 2 平均值计算 —— cv::mean

图像的平均值通常用于评估图像整体亮度和背景强度。在 OpenCV 中，cv::mean 函数能够计算图像的每个通道的平均值。对于多通道图像，返回的是一个 cv::Scalar 对象，其各个元素分别对应图像各个通道的平均值。

cv::Scalar cv::mean(InputArray src, InputArray mask = cv::noArray());

• 参数说明：
  • src：输入图像。
  • mask：可选参数，如果只想计算图像某一区域的平均值，可以传入掩码。

参考代码

#include "stdio.h"
#include "opencv2/opencv.hpp"
#include <iostream>
using namespace cv;

int main()
{
	cv::Mat srcImage=cv::imread("E:\\image\\Opencv-logo.png");
	cv::Scalar avg = cv::mean(srcImage);
	std::cout << "图像平均值：B = " << avg[0]
		<< ", G = " << avg[1]
		<< ", R = " << avg[2] << std::endl;
	imshow("src", srcImage);
	waitKey();
	cv::destroyAllWindows();

	return 0;
}

通过这种方式，可以对图像整体亮度进行量化分析，常用于背景建模和图像分割前的预处理。

2.3. 方差与标准差 —— cv::meanStdDev

在很多图像处理任务中，除了平均值外，了解图像的像素分布离散程度（即标准差或方差）也非常重要。比如纯色的图像方差就是0。OpenCV 提供了 cv::meanStdDev 函数，可以同时计算图像的均值和标准差。

void cv::meanStdDev(InputArray src, OutputArray mean, OutputArray stddev, 
                    InputArray mask = cv::noArray());

• 参数说明：
  • src：输入图像。
  • mean：输出均值（cv::Scalar）。
  • stddev：输出标准差（cv::Scalar）。
  • mask：掩码图像（可选）。

由于方差等于标准差的平方，因此如果需要计算方差，只需要对 stddev 的每个通道进行平方操作即可。
参考代码：

#include "stdio.h"
#include "opencv2/opencv.hpp"
#include <iostream>
using namespace cv;

int main()
{
	cv::Mat srcImage=cv::imread("E:\\image\\Opencv-logo.png");
	//RGB通道分离
	cv::Scalar avg = cv::mean(srcImage);
	std::cout << "图像平均值：B = " << avg[0]
		<< ", G = " << avg[1]
		<< ", R = " << avg[2] << std::endl;

  //计算方差和标准差
	Mat mean, stddev;
	meanStdDev(srcImage, mean, stddev);
	std::cout << "mean:" << mean <<std::endl;
	std::cout << "stddev:" << stddev << std::endl;
	imshow("src", srcImage);
	waitKey();
	cv::destroyAllWindows();

	return 0;
}

该函数在图像噪声分析、质量评价以及背景建模等任务中非常有用。

3.应用场景

3.1 图像归一化和增强

通过获取图像的最小值和最大值，可以对图像进行归一化处理，将像素值映射到一个新的范围内，从而提升图像对比度和视觉效果。例如，可以使用归一化函数 cv::normalize 结合统计数据进行图像增强。

3.2 阈值分割

利用统计学信息（如均值或中值），可以设定自适应阈值，对图像进行二值化处理。这在目标检测和图像分割中非常常见。例如，可以根据图像的平均亮度设定阈值，将背景与目标分离。

3.3 噪声评估与滤波

通过统计图像像素的方差，可以评估图像中的噪声水平。噪声较大的图像可能需要更强的滤波操作（如均值滤波或中值滤波）来提高图像质量。统计学函数帮助量化图像噪声，为后续滤波算法选择合适参数提供依据。

4. 总结

本文详细介绍了 OpenCV C++ 中常用的统计学函数，包括 cv::minMaxLoc、cv::mean 和 cv::meanStdDev。通过这些函数，我们可以快速获得图像的最大、最小值、平均值和标准差（从而计算方差），为图像归一化、阈值分割、噪声评估和图像增强等应用提供有力支持。在实际项目中，合理利用这些统计信息，可以有效提高图像处理的效果和效率。