Matlab：创建分箱 RGB 直方图 [重复]答案

【问题标题】：Matlab: Creating a binned RGB histogram [duplicate]Matlab：创建分箱 RGB 直方图 [重复]
【发布时间】：2016-02-21 18:21:24
【问题描述】：

我想实现以下Matlab函数：

function hist = binnedRgbHist(im, numChannelBins)

给定一个图像 im 和一个介于 1 和 256 之间的数字 numChannelBins，它应该创建一个大小为 (numChannelBins)^3 的直方图。

例如，如果numChannelBins 为2，则应生成以下 8 大小的直方图：

R < 128, G < 128, B < 128 的像素数
R < 128, G < 128, B >= 128 的像素数
R < 128, G >= 128, B < 128 的像素数
R < 128, G >= 128, B >= 128 的像素数
R > 128, G < 128, B < 128 的像素数
R > 128, G < 128, B >= 128 的像素数
R > 128, G >= 128, B < 128 的像素数
R > 128, G >= 128, B >= 128 的像素数

这就像创建一个立方体，其中每个轴代表（R、G 和 B）中的一个，其中每个轴分为 2 个 bin => 立方体中最终有 8 个 bin。

我的问题：

它有内置函数吗？
如果不是，使用 GPU 以 runtinme 方式实现它会更好吗？我应该更好地迭代像素一次并手动创建直方图，还是应该更好地迭代 bin 并每次计算满足 bin 条件的像素数？

【问题讨论】：

这个问题/答案可能也很有趣。我将每个 RGB 元组转换为单个 1D 线性索引，然后颜色直方图变为 1D 数组。我也使用了accumarray，但是从颜色到索引的转换很重要：stackoverflow.com/questions/25830225/…

标签： arrays matlab image-processing histogram

【解决方案1】：

我看到@Luis Mendo 在我写这篇文章时给出了一个很棒的单线解决方案。如果它提供了一些更深层次的直觉，我的解决方案使用histcounts 和accumarray：

im             = randi([1 255],[10,5,3]);  %// A random 10-by-5 "image" 
numChannelBins = 2;

[~,~,binR]=histcounts(im(:,:,1),[1 ceil((1:numChannelBins)*(255/numChannelBins))]);
[~,~,binG]=histcounts(im(:,:,2),[1 ceil((1:numChannelBins)*(255/numChannelBins))]);
[~,~,binB]=histcounts(im(:,:,3),[1 ceil((1:numChannelBins)*(255/numChannelBins))]);
hist=accumarray([binR(:) binG(:) binB(:)],1,[numChannelBins,numChannelBins,numChannelBins])

说明：

对histcounts 的三个调用分别对红色、绿色、蓝色像素进行分类 -- histcounts 的第三个输出 [~,~,binX] 给出了每个像素的分类索引
accumarray 累积所有唯一索引三元组

【讨论】：

【解决方案2】：

accumarray 非常适合这个。让

im：输入图片；
N：每个颜色分量的 bin 数量。

然后

result = accumarray(reshape(permute(ceil(im/255*N), [3 1 2]), 3, []).', 1, [N N N]);

工作原理

ceil(im/255*N) 将每个颜色值量化为 1, 2, ..., N。
reshape(permute(..., [3 1 2]), 3, []).' 将量化后的图像转换为三列矩阵，其中每一行是一个像素，每一列是一个（量化的）颜色分量。
accumarray(..., 1, [N N N]) 将该矩阵的每一行视为 3D 索引，并计算每个索引出现的次数，从而给出未使用 0 出现的填充索引。

示例 1

数据：

>> N = 2;
>> im = randi(256,4,5,3)
im(:,:,1) =
   113   152   157    65   229
   138    71   215    39    41
    13   108   230   160   153
   142   128   125   220   214
im(:,:,2) =
   208   215   182    27   230
   205   161     8    95   180
   225    53    73   129    31
   103    97   160    83   255
im(:,:,3) =
   242    29   185    89    55
   202   225   156   174    96
   160   197    35    87   113
   244   176   146    85   120

结果：

result(:,:,1) =
     1     1
     3     4
result(:,:,2) =
     2     4
     3     2

例如可以检查只有1个像素，所有的R、G、B都小于128。

示例 2

数据：

>> im = repmat(150,20,30,3);
>> N = 4;

结果：

result(:,:,1) =
     0     0     0     0
     0     0     0     0
     0     0     0     0
     0     0     0     0
result(:,:,2) =
     0     0     0     0
     0     0     0     0
     0     0     0     0
     0     0     0     0
result(:,:,3) =
     0     0     0     0
     0     0     0     0
     0     0   600     0
     0     0     0     0
result(:,:,4) =
     0     0     0     0
     0     0     0     0
     0     0     0     0
     0     0     0     0

在这种情况下，所有像素都属于同一个 3D-bin：

【讨论】：