news 2026/6/7 13:16:37

OpenCV直方图比较：四种方法原理与实战应用详解

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
OpenCV直方图比较：四种方法原理与实战应用详解

1. 直方图比较：从“像不像”到“有多像”的量化之旅

在图像处理的世界里，我们经常需要回答一个看似简单却至关重要的问题：这两张图片“像不像”？对于人眼来说，判断两张风景照是否相似，或者两张产品图是否有色差，可能只是一瞬间的直觉。但要让计算机理解这种“相似性”，并将其转化为一个可量化、可比较的数值，就需要一套严谨的数学方法。这就是直方图比较（Histogram Comparison）的核心价值所在。它绕开了图像中像素的具体空间排列，转而从全局的统计分布特征入手，为我们提供了一种高效、稳健的相似性度量手段。无论是用于图像检索、内容过滤、质量控制，还是更复杂的计算机视觉流水线，掌握直方图比较都像是获得了一把打开图像内容分析大门的钥匙。今天，我们就深入OpenCV的cvCompareHist()函数，拆解其背后的四种统计学方法，并通过实际代码和场景分析，让你不仅会用，更懂其所以然。

2. 核心思路解析：为什么是直方图？又为何要比较？

在深入公式和代码之前，我们得先想明白两个根本问题：第一，为什么选择直方图作为比较的基础？第二，比较直方图的“相似度”，究竟在比较什么？

2.1 直方图作为“图像指纹”的优势

直方图是图像像素强度分布的统计图表。对于灰度图，它统计了每个灰度级（0-255）出现的次数；对于彩色图，可以分别统计R、G、B通道的分布，或转换到HSV等其他色彩空间后再统计。它的核心优势在于：

  1. 对几何变换不敏感：图像的旋转、平移、小幅度的缩放，不会显著改变其颜色或灰度的整体分布。一张正放和斜放的红色苹果图片，其红色通道的直方图依然高度相似。
  2. 计算效率高：计算一张图像的直方图复杂度是O(N)，N为像素数，且OpenCV有高度优化的实现。比较两个直方图向量的计算量也远小于逐像素比对。
  3. 表征全局特征：它丢弃了所有的空间信息，这既是缺点也是优点。作为“全局描述子”，它能快速捕捉图像的整体色调、对比度和亮度风格。

注意：直方图的“不敏感”特性是一把双刃剑。两幅内容截然不同但颜色分布巧合相似的图像（比如一片蓝天和一块蓝布），其直方图可能非常接近。因此，直方图比较通常用于粗筛或需要颜色/纹理分布匹配的场景，而非精确的内容识别。

2.2 相似度度量的本质：距离与相关性

比较两个直方图，本质上是比较两个概率分布向量。假设我们已经将直方图进行了归一化（即所有bin的值之和为1），那么每个直方图都可以看作一个离散的概率分布。比较两个分布P和Q的相似性，统计学和数学中提供了多种度量方式，主要分为两大类：

  1. 距离度量：衡量两个分布之间的“差异”或“不相似性”。数值越大，表示差异越大，相似度越低。例如卡方距离、巴氏距离。
  2. 相关性度量：衡量两个分布之间的“关联程度”。数值越大（通常接近1），表示关联性越强，相似度越高。例如相关系数。

OpenCV的cvCompareHist()函数集成了四种经典方法，涵盖了这两种思路。理解它们各自的物理意义和适用场景，是正确使用的关键。

3. 四种比较方法深度剖析与实操要点

OpenCV定义了四种比较方法，对应不同的数学公式和解释。我们将逐一拆解，并附上关键的操作注意事项。

3.1 相关系数 (CV_COMP_CORREL)

这是最符合直觉的“相关性”比较方法之一，其公式源于统计学中的皮尔逊相关系数。

公式与解读：对于两个归一化的直方图H1和H2，每个都有N个bin，相关系数d的计算公式为：d = Σᵢ [ (H1(i) - H̄1) * (H2(i) - H̄2) ] / sqrt( Σᵢ (H1(i) - H̄1)² * Σᵢ (H2(i) - H̄2)² )其中，H̄1和H̄2分别是H1和H2的均值。

结果范围与意义：

  • 结果范围：[-1, 1]
  • 1：表示两个直方图分布完全正相关。在归一化后，完全相同的直方图其相关系数为1。
  • -1：表示完全负相关（一个直方图高的地方另一个必然低）。
  • 0：表示无线性相关性。

实操要点与坑点：

  • 对整体亮度/对比度线性变化鲁棒：如果图像整体变亮或变暗（线性拉伸），直方图形状会平移或缩放，但相关系数可能变化不大，因为它衡量的是“变化趋势”的相似性。
  • 理解示例中的“反直觉”结果：在提供的示例中，纯黑(Black.jpg)和纯白(White.jpg)图片的相关系数输出为1。这看似奇怪，实则正确。因为黑图的直方图全部集中在0灰度级，白图全部集中在255灰度级。在计算时，归一化后，它们都是“只有一个bin为1，其余为0”的分布。这种分布形态（一个尖峰）是“相似”的，尽管位置不同。相关系数捕捉了这种“单峰集中”分布形态的相似性，而非峰值位置。
  • 适用场景：适用于寻找颜色分布“模式”相似的图像，对光照的均匀变化有一定抵抗力。

3.2 卡方检验 (CV_COMP_CHISQR)

卡方检验源于统计学，用于检验观察频数与期望频数之间的差异。在直方图比较中，我们将一个直方图视为“观察值”，另一个视为“期望值”。

公式与解读：d = Σᵢ [ (H1(i) - H2(i))² / H2(i) ]这是OpenCV使用的简化公式（假设H2(i)非零）。更对称的版本有时会使用(H1(i)-H2(i))²/(H1(i)+H2(i))。

结果范围与意义：

  • 结果范围：[0, +∞)
  • 0：表示两个直方图完全一致。
  • 值越大：表示差异越大。

实操要点与坑点：

  • 分母的重要性：公式中除以H2(i)意味着，在H2(i)（期望值）很小的bin上，即使H1(i)的绝对差异不大，也会产生很大的贡献值。这使得卡方检验对直方图中低频区域（颜色出现少的区域）的差异非常敏感。
  • 非对称性：原始的卡方公式d(H1, H2)与d(H2, H1)结果可能不同，因为它将第二个参数视为期望分布。OpenCV的实现可能采用对称化处理或固定顺序，使用时需注意。
  • 处理零值：当H2(i)为0时，公式分母为零，需要特殊处理（如加一个极小值epsilon）。OpenCV的内部实现应已处理此边界情况。
  • 适用场景：适用于对颜色分布中“稀有颜色”差异非常敏感的比较，例如在特定色调的检测中。

3.3 交集法 (CV_COMP_INTERSECT)

交集法是最简单直观的方法，它计算两个直方图在每个bin上的重合部分。

公式与解读：d = Σᵢ min(H1(i), H2(i))由于直方图已归一化，这个d的值域在[0, 1]之间。

结果范围与意义：

  • 1：表示两个直方图完全一致。
  • 0：表示两个直方图完全没有重叠（例如黑与白）。
  • 值表示重叠部分的总“质量”。

实操要点与坑点：

  • 计算简单快速：只有比较和加法，计算开销小。
  • 对峰值敏感，对分布形状不敏感：它只关心每个bin上共同的部分。如果两个直方图都有很高的峰值，即使峰值位置不同，只要在某个bin上有重叠，就能贡献值。例如，一个峰值在100，一个在150，但两者在灰度级120-130都有一些像素，交集法就会捕捉到这部分相似性，而相关系数可能很低。
  • 示例分析：在黑与白的例子中，交集为0，完美符合预期。
  • 适用场景：适用于快速粗略匹配，或对直方图峰值匹配要求较高的场景。在简单的颜色检索中效果不错。

3.4 巴氏距离 (CV_COMP_BHATTACHARYYA)

巴氏距离（Bhattacharyya distance）用于衡量两个概率分布之间的重叠程度，在统计学和模式识别中广泛应用。OpenCV实际计算的是巴氏系数（Bhattacharyya coefficient）后再转换为距离。

公式与解读：巴氏系数：BC(H1, H2) = Σᵢ sqrt(H1(i) * H2(i))巴氏距离：d = sqrt( 1 - BC(H1, H2) )

结果范围与意义：

  • 结果范围：[0, 1]
  • 0：表示两个分布完全一致（BC=1）。
  • 1：表示两个分布完全无重叠（BC=0）。

实操要点与坑点：

  • 几何解释：可以将每个归一化直方图看作一个高维空间中的向量，巴氏系数就是这两个向量各分量几何平均（平方根乘积）的和。它衡量的是两个向量的“夹角”或“重叠度”。
  • 对称且平滑：它是对称的，且由于平方根操作，对直方图的变化不那么尖锐，比卡方更平滑。
  • 与交集法的关系：巴氏系数类似于一种“软”交集，它不像交集法那样只取最小值，而是通过几何平均来度量所有分量上的“共同存在感”。
  • 适用场景：在目标跟踪（如Mean-Shift跟踪器中使用颜色直方图作为特征）和图像分类中非常常见，因为它能提供稳定、有界的相似性度量。

4. 完整实操流程与代码精讲

理解了原理，我们来看如何用OpenCV (C++ API) 实现。虽然原始资料使用了较旧的C API (IplImage*)，但我们将以现代OpenCV C++ API (cv::Mat) 重写，这是当前的主流和推荐做法。

4.1 环境准备与基础代码结构

首先确保你的开发环境已配置好OpenCV。以下是一个完整的、可编译的示例程序框架：

#include <opencv2/opencv.hpp> #include <opencv2/imgproc.hpp> #include <iostream> int main() { // 1. 读取图像（强制转为灰度图进行比较） cv::Mat img1 = cv::imread("RiverBank.jpg", cv::IMREAD_GRAYSCALE); cv::Mat img2 = cv::imread("DarkClouds.jpg", cv::IMREAD_GRAYSCALE); if (img1.empty() || img2.empty()) { std::cerr << "Error: Could not load images!" << std::endl; return -1; } // 2. 设置直方图参数 int histSize = 256; // bin的数量 float range[] = {0, 256}; // 像素值范围 const float* histRange = {range}; bool uniform = true, accumulate = false; // 3. 计算直方图 cv::Mat hist1, hist2; cv::calcHist(&img1, 1, 0, cv::Mat(), hist1, 1, &histSize, &histRange, uniform, accumulate); cv::calcHist(&img2, 1, 0, cv::Mat(), hist2, 1, &histSize, &histRange, uniform, accumulate); // 4. 归一化直方图（通常归一化到[0,1]区间，方便比较） cv::normalize(hist1, hist1, 1.0, 0.0, cv::NORM_L1); // L1归一化，和为1 cv::normalize(hist2, hist2, 1.0, 0.0, cv::NORM_L1); // 5. 比较直方图 double correl = cv::compareHist(hist1, hist2, cv::HISTCMP_CORREL); double chisqr = cv::compareHist(hist1, hist2, cv::HISTCMP_CHISQR); double intersect = cv::compareHist(hist1, hist2, cv::HISTCMP_INTERSECT); double bhatt = cv::compareHist(hist1, hist2, cv::HISTCMP_BHATTACHARYYA); // 6. 输出结果 std::cout << "Correlation: " << correl << std::endl; std::cout << "Chi-Square: " << chisqr << std::endl; std::cout << "Intersection: " << intersect << std::endl; std::cout << "Bhattacharyya: " << bhatt << std::endl; // 7. 显示图像（可选） cv::imshow("Image 1", img1); cv::imshow("Image 2", img2); cv::waitKey(0); return 0; }

4.2 关键步骤详解与参数选择

步骤1：图像读取与预处理

  • cv::IMREAD_GRAYSCALE：直接以灰度模式读入，简化问题。对于彩色图比较，通常需要选择色彩空间（如HSV）并单独比较H（色调）通道，或计算多维度直方图。
  • 错误检查：务必检查图像是否成功加载，这是避免后续崩溃的好习惯。

步骤2：直方图参数设置

  • histSize：直方图bin的数量。256是灰度图的常用值，表示将0-255的灰度级每个都作为一个bin。对于彩色图或为了降低计算量/增加鲁棒性，可以减少到16、32或64。
  • range：像素值范围。对于标准的8位灰度图，是[0,256)，注意上界是256（不包括），这是OpenCV的惯例。
  • uniform：设为true表示bin的宽度均匀。
  • accumulate：设为false表示在计算前不清空直方图矩阵。如果需要在多张图上累积直方图，则设为true。

步骤3：计算直方图

  • cv::calcHist函数参数较多：
    • 第1、2个参数：输入图像数组和图像数量。
    • 第3个参数：需要统计的通道索引（对于灰度图是0）。
    • 第4个参数：可选的掩码（cv::Mat()表示无掩码）。
    • 第5个参数：输出的直方图（cv::Mat类型）。
    • 第6个参数：直方图维度（这里是1维）。
    • 第7个参数：每个维度的bin数量指针。
    • 第8个参数：每个维度的值范围指针。
    • 最后两个：均匀和累积标志。

步骤4：归一化

  • 这是至关重要的一步。cv::compareHist的许多方法（尤其是相关性、交集、巴氏距离）都假设输入的是归一化的概率分布。
  • cv::NORM_L1：将直方图归一化，使其所有元素之和为1（即L1范数归一化）。1.0和0.0是目标范围的最小值和最大值。
  • 也可以使用cv::NORM_MINMAX归一化到[0,1]区间，但NORM_L1更符合概率分布的定义。

步骤5：比较直方图

  • cv::compareHist函数直接返回一个双精度浮点数结果。注意比较方法的枚举名称在现代OpenCV中已更新（如cv::HISTCMP_CORREL）。

4.3 扩展到彩色图像与多维直方图

灰度直方图比较是基础。在实际应用中，彩色信息至关重要。比较彩色直方图主要有两种策略：

策略一：单通道分离比较将彩色图像转换到HSV色彩空间，然后单独比较H（色调）通道的直方图。因为色调更能代表物体的颜色本质，对光照强度（V）和饱和度（S）的变化相对不敏感。

cv::Mat img_color = cv::imread("color_image.jpg"); cv::Mat img_hsv; std::vector<cv::Mat> hsv_planes; cv::cvtColor(img_color, img_hsv, cv::COLOR_BGR2HSV); cv::split(img_hsv, hsv_planes); // 分离通道 // 只计算H通道的直方图 cv::Mat hist_h; int h_bins = 180; // 色调范围是[0,180) float h_range[] = {0, 180}; const float* hranges = {h_range}; cv::calcHist(&hsv_planes[0], 1, 0, cv::Mat(), hist_h, 1, &h_bins, &hranges, true, false); cv::normalize(hist_h, hist_h, 1.0, 0.0, cv::NORM_L1); // ... 然后比较两个图像的H通道直方图

策略二：多维联合直方图计算2D（如H-S）或3D（H-S-V）直方图，能同时捕捉颜色和饱和度的联合分布信息，描述能力更强，但计算量和存储需求也呈指数增长（“维度灾难”）。

int histSize[] = {50, 60}; // H和S的bin数量，可以比单通道少 float h_ranges[] = {0, 180}; float s_ranges[] = {0, 256}; const float* ranges[] = {h_ranges, s_ranges}; int channels[] = {0, 1}; // 统计H和S通道 cv::Mat hist_2d; cv::calcHist(&img_hsv, 1, channels, cv::Mat(), hist_2d, 2, histSize, ranges, true, false); cv::normalize(hist_2d, hist_2d, 1.0, 0.0, cv::NORM_L1); // 比较时，compareHist函数同样支持多维直方图（cv::Mat）

实操心得：对于大多数应用，策略一（仅比较H通道）是性价比最高的选择。它既保留了核心的颜色信息，又大幅降低了计算复杂度，且对光照变化有较好的鲁棒性。只有在颜色区分度要求极高、且光照和饱和度变化可控的场景下，才考虑使用多维直方图，并且要谨慎选择bin的数量，避免直方图过于稀疏。

5. 实战场景分析与结果解读

让我们回到原始资料中的三个例子，结合我们现在的理解进行深度解读：

场景一：不同场景图像 (RiverBank vs DarkClouds)

  • 输出：Correl: -0.1407, ChiSqr: 0.6690, Intersect: 0.4757, Bhatt: 0.4490
  • 解读：
    • Correl接近0且为负，说明两张图的灰度分布几乎没有线性相关性，甚至趋势略有相反。
    • ChiSqr和Bhatt值都显著大于0（相对后面自比较的情况），表明差异很大。
    • Intersect为0.4757，说明有约47.6%的灰度分布是重叠的，这比完全不同的图像要高，符合直觉（都是自然图像，包含一些中间灰度）。

场景二：相同图像自比较 (RiverBank vs RiverBank)

  • 输出：Correl: 1, ChiSqr: 0, Intersect: 1, Bhatt: 0
  • 解读：这是理想情况。相关系数和交集法为1，卡方和巴氏距离为0，完美匹配。这验证了我们的代码和归一化过程是正确的。

场景三：极端对立图像 (纯黑 vs 纯白)

  • 输出：Correl: 1, ChiSqr: 1, Intersect: 0, Bhatt: 1
  • 深度解读：
    • Correl = 1：如前所述，归一化后两者都是“只有一个bin为1”的极端分布，这种“单峰冲击”的形态在相关系数看来是完全相关的。这揭示了相关系数关注分布“形状”而非“位置”的特性。
    • Intersect = 0：两者灰度级完全没有重叠，结果正确且直观。
    • ChiSqr = 1和Bhatt = 1：都达到了最大值，表示完全不相似。对于卡方，因为H1(0)=1, H2(0)=0，公式中(1-0)²/0需要处理，OpenCV可能返回一个定义的最大值或特殊值（示例中简化为1）。巴氏距离因为sqrt(1*0)=0，所以距离为1。

这个例子强烈地告诉我们：没有一种度量是完美的，必须根据任务目标选择方法。如果你想区分纯黑和纯白，交集法、卡方、巴氏距离都有效，而相关系数会误判。如果你想找到具有相似对比度变化模式的图像（如都具有相似的纹理明暗变化），那么相关系数可能更合适。

6. 常见问题、陷阱与进阶技巧

在实际项目中，直接调用compareHist可能会遇到各种问题。以下是一些经验总结：

6.1 直方图稀疏性与bin数量选择

问题：当bin数量设置过多（如256）而图像尺寸较小，或图像颜色范围很窄时，直方图会变得很稀疏（很多bin是0）。这会导致：

  1. 卡方距离对零值敏感，可能产生不稳定的大数值。
  2. 巴氏距离中sqrt(0)的计算没问题，但稀疏性可能使比较失去鉴别力。
  3. 计算效率降低。

解决方案：

  • 减少bin数量：将灰度级从256合并到32或64。对于彩色H通道（0-180），使用30或36个bin。这相当于对颜色进行了“量化”，能增加每个bin的统计量，使直方图更平滑、更鲁棒。
  • 平滑直方图：在归一化前，对直方图应用一个高斯滤波或简单平均滤波，可以缓解稀疏性问题。
    cv::Mat smoothed_hist; cv::GaussianBlur(hist1, smoothed_hist, cv::Size(3,1), 0.5); // 一维高斯平滑 cv::normalize(smoothed_hist, smoothed_hist, 1.0, 0.0, cv::NORM_L1);

6.2 光照变化与色彩空间选择

问题：同一物体在不同光照下，其RGB值变化巨大，导致直方图直接比较失效。

解决方案：

  • 转换色彩空间：如前所述，使用HSV空间并主要依赖H（色调）通道。色调对光照强度变化相对不敏感。
  • 使用更高级的归一化：除了L1归一化，可以尝试对直方图进行幂律（伽马）压缩，如hist = cv::pow(hist, 0.5)，然后再归一化。这可以抑制过强的峰值，增强弱信号的贡献。
  • 局部直方图：将图像分割成若干网格（如3x3），分别计算每个网格的直方图，然后串联起来或分别比较再综合。这在一定程度上保留了空间信息，对遮挡和局部光照变化更鲁棒。

6.3 相似度阈值如何设定？

问题：compareHist返回一个数值，但多大算“相似”？这个阈值因方法、因数据集、因应用而异。

解决方案：

  • 基准测试法：在自己的数据集上，手动标注一批“相似”和“不相似”的图像对。分别计算它们用不同方法得到的距离/相似度分数。
  • 统计分析：观察“相似对”和“不相似对”得分的分布。理想情况下，两个分布应尽可能分开。阈值可以设在两个分布之间的“山谷”处，或者根据误报率/漏报率的需求来调整。
  • 经验值参考（需自行验证）：
    • 相关系数 (Correl)：通常>0.8或0.9可以认为高度相似。
    • 交集法 (Intersect)：归一化后，>0.7或0.8可认为相似。
    • 巴氏距离 (Bhatt)：通常<0.3或0.2可认为相似（值越小越相似）。
    • 卡方 (ChiSqr)：阈值高度依赖bin数和数据，需大量实验确定。

6.4 多方法融合与性能优化

问题：单一方法有时不靠谱，如何提升判断的准确性？

解决方案：

  • 加权融合：计算多种方法的得分，然后进行加权平均。例如，最终得分 = w1*correl + w2*(1-bhatt) + w3*intersect，其中权重w1,w2,w3通过实验调整。注意要将距离度量（如Bhatt）转换为相似度度量（1-distance）。
  • 级联筛选：先用计算速度快、召回率高的方法（如交集法）进行粗筛，得到一个候选集，再用更精确但较慢的方法（如基于多维直方图的巴氏距离）进行精筛。
  • 积分直方图加速：对于需要计算图像多个区域（如滑动窗口）直方图的应用，可以使用积分直方图技术，实现O(1)时间复杂度的区域直方图计算，极大提升速度。

6.5 直方图比较的局限性认知

必须清醒认识到，直方图比较丢失了全部空间信息。这是其速度快、对几何变化鲁棒的原因，也是其致命弱点。

经典反例：

  • “蓝天”和“蓝墙”可能有相似的蓝色直方图。
  • 国际象棋棋盘和它的反色棋盘（黑变白，白变黑），灰度直方图完全一样，但内容截然相反。

应对策略：

  • 结合其他特征：将直方图特征与纹理特征（如LBP、Haralick特征）、边缘特征（如HOG）或局部特征（如SIFT、ORB的关键点描述子）结合，形成更强大的图像描述符。
  • 作为预过滤步骤：在复杂的图像检索或匹配系统中，先用直方图比较快速过滤掉明显不相关的图像，减少需要精细匹配的图像数量。

直方图比较是图像处理中一项基础而强大的工具。它就像一位快速的颜色风格鉴定师，能迅速告诉你两幅画用的颜料盘是否相似。但要想真正理解画作的内容，你还需要结合线条、构图等其他信息。掌握其原理、熟练其代码、明了其优劣，你就能在合适的场景中，让这位“鉴定师”发挥出最大的价值。在实际项目中，我通常会从简单的H通道直方图交集法开始快速原型验证，然后根据具体问题的难点（如光照、相似度判别模糊）逐步引入更复杂的方法或与其他特征融合，这是一个不断迭代和调优的过程。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/6/7 13:14:10

Intel TBB 2019 Update 8（2019年6月5日发布）Windows全功能开发包

本文还有配套的精品资源&#xff0c;点击获取 简介&#xff1a;包含完整头文件、预编译64位动态/静态库&#xff08;intel64&#xff09;、CMake支持脚本&#xff08;FindTBB.cmake&#xff09;、Parallel STL&#xff08;pstl&#xff09;子模块、多套可运行示例&#xff0…

作者头像 李华
网站建设 2026/6/7 13:12:12

如何高效管理Steam游戏清单：Onekey下载器完整解决方案

如何高效管理Steam游戏清单&#xff1a;Onekey下载器完整解决方案 【免费下载链接】Onekey Onekey Steam Depot Manifest Downloader 项目地址: https://gitcode.com/gh_mirrors/one/Onekey 想要轻松获取和管理Steam游戏的完整清单文件吗&#xff1f;Onekey Steam Depot…

作者头像 李华
网站建设 2026/6/7 13:03:42

如何3步完成网易云NCM音乐格式转换：解密工具全面指南

如何3步完成网易云NCM音乐格式转换&#xff1a;解密工具全面指南 【免费下载链接】ncmdump 项目地址: https://gitcode.com/gh_mirrors/ncmd/ncmdump 你是否曾为网易云音乐下载的歌曲只能在特定客户端播放而烦恼&#xff1f;当你想在车载音响、手机自带播放器或其他设备…

作者头像 李华
网站建设 2026/6/7 13:00:32

C语言小工具：输入一个正整数，分行列出它的所有约数并报总数

本文还有配套的精品资源&#xff0c;点击获取 简介&#xff1a;输入一个正整数n&#xff0c;程序自动找出1到n之间所有能整除n的数&#xff0c;每个约数单独占一行输出&#xff0c;最后显示总共找到多少个。代码用标准C编写&#xff0c;不依赖外部库&#xff0c;直接gcc编译…

作者头像 李华