开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> C++知识库 -> C++OpenCV系统学习（11）——直方图、均衡化、直方图计算、直方图比较、直方图方向投影 -> 正文阅读

[C++知识库]C++OpenCV系统学习（11）——直方图、均衡化、直方图计算、直方图比较、直方图方向投影

1.概念

1.1直方图概念

?3.3intersection十字交叉性

3.4Bhattacharyya distance 巴氏距离?

3.5相关API

3.6案例分析

4.直方图的反向投影（back projection）

1.概念

1.1直方图概念

?1.2直方图均衡化概念

?图像直方图均衡化的实现：

直方图均衡化API：

?直方图均衡化案例

void MyApi::histogramEqualize(Mat& image)
{
	Mat gray_image,dst;
	cvtColor(image, gray_image, COLOR_BGR2GRAY);
	imshow("灰度图", gray_image);
	equalizeHist(gray_image, dst);
	imshow("直方图均衡化后图像", dst);
}

?上图分别是原图、灰度图、直方图均衡化后的图

?2.直方图计算

2.1直方图概念扩展

?2.2 画三通道直方图

void MyApi::histogram_cal(Mat& image)
{
	//1.把多通道的图像分离单通道
	vector<Mat> bgr_planes;
	split(image, bgr_planes);
	//imshow("单个通道",bgr_planes[0]);//我们可以输出bgr中的b通道的图像

	//2.计算直方图
	int histSize = 256;
	float range[] = { 0,256 };
	const float* histRanges = {range};
	Mat b_hist, g_hist, r_hist;
	calcHist(&bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, &histRanges, true, false);
	calcHist(&bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRanges, true, false);
	calcHist(&bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, &histRanges, true, false);

	//归一化:为了避免有些像素值的统计值很大，因此为了方便观察归一化到一定的范围内
	int hist_h = 400;
	int hist_w = 512;
	int bin_w = hist_w / histSize;
	Mat histImage(hist_w, hist_h, CV_8UC3, Scalar(0, 0, 0));
	normalize(b_hist, b_hist, 0, hist_h, NORM_MINMAX, -1, Mat());
	normalize(g_hist, g_hist, 0, hist_h, NORM_MINMAX, -1, Mat());
	normalize(r_hist, r_hist, 0, hist_h, NORM_MINMAX, -1, Mat());

	//绘制直方图
	for (int i = 1; i < histSize; i++)
	{
		line(histImage, Point((i - 1) * bin_w, hist_h - cvRound(b_hist.at<float>(i - 1))),
			Point((i)*bin_w, hist_h - cvRound(b_hist.at<float>(i))), Scalar(255, 0, 0), 2, LINE_AA);
		line(histImage, Point((i - 1) * bin_w, hist_h - cvRound(g_hist.at<float>(i - 1))),
			Point((i)*bin_w, hist_h - cvRound(g_hist.at<float>(i))), Scalar(0, 255, 0), 2, LINE_AA);
		line(histImage, Point((i - 1) * bin_w, hist_h - cvRound(r_hist.at<float>(i - 1))),
			Point((i)*bin_w, hist_h - cvRound(r_hist.at<float>(i))), Scalar(0, 0, 255), 2, LINE_AA);
	}
	imshow("彩色图像直方图", histImage);
}

?3.直方图的比较

对于输入的两张图像计算得到直方图H1与H2，归一化到相同的尺度空间（图像大小要一致）然后可以通过计算H1与H2之间的距离得到两个直方图的相似程度，进而比较图像本身的相似程度。openCV提供了比较方法有四种：

Correlation 相关性比较
Chi-Square 卡方比较
intersection十字交叉性
Bhattacharyya distance 巴氏距离

3.1Correlation 相关性比较

?3.2Chi-Square 卡方比较

?3.3intersection十字交叉性

3.4Bhattacharyya distance 巴氏距离

3.5相关API

opencv4中compareHist中的method是改为如下：

相关性比较（HISTCMP_CORREL）值越接近1，相关性越高；越接近0，相关性越低；
卡方比较（HISTCMP_CHISQR）值越小越接近，为0时相似度最高；
巴氏距离（HISTCMP_BHATTACHARYYA），完全匹配为 0，完全不匹配为1

3.6案例分析

源文件函数如下：

string convertToString(double d)//double类型转为string类型
{
	ostringstream os;
	if (os << d)
		return os.str();
	return "invalid convertsion";
}

void MyApi::histogram_comp(Mat& image, Mat& test1, Mat& test2)
{
	//图像颜色空间转到HSV空间
	cvtColor(image, image, COLOR_BGR2HSV);
	cvtColor(test1, test1, COLOR_BGR2HSV);
	cvtColor(test2, test2, COLOR_BGR2HSV);

	//设置两个灰度等级
	int h_bins = 50;
	int s_bins = 60;
	int histSize[] = {h_bins,s_bins};

	float h_ranges[] = { 0, 180 };
	float s_ranges[] = { 0, 256 };
	const float* ranges[] = {h_ranges,s_ranges};
	int channels[] = { 0,1 };

	MatND hist_image;
	MatND hist_test1;
	MatND hist_test2;

	//计算直方图
	calcHist(&image, 1, channels, Mat(), hist_image, 2, histSize, ranges, true, false);
	normalize(hist_image, hist_image, 0, 1, NORM_MINMAX, -1, Mat());

	calcHist(&test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false);
	normalize(hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat());

	calcHist(&test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false);
	normalize(hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat());

	//相互比较
	double imageimgae = compareHist(hist_image, hist_image, HISTCMP_CORREL);
	double imagetest1 = compareHist(hist_image, hist_test1, HISTCMP_CORREL);
	double imagetest2 = compareHist(hist_image, hist_test2, HISTCMP_CORREL);
	double test1test2 = compareHist(hist_test1, hist_test2, HISTCMP_CORREL);
	printf("test1与test2比较的相关性指标为：%f", test1test2);

	putText(image, convertToString(imageimgae), Point(50, 50), FONT_HERSHEY_COMPLEX,
		1, Scalar(0, 0, 255), 2, LINE_AA);
	putText(test1, convertToString(imagetest1), Point(50, 50), FONT_HERSHEY_COMPLEX,
		1, Scalar(0, 0, 255), 2, LINE_AA);
	putText(test2, convertToString(imagetest2), Point(50, 50), FONT_HERSHEY_COMPLEX,
		1, Scalar(0, 0, 255), 2, LINE_AA);

	namedWindow("image", WINDOW_AUTOSIZE);
	namedWindow("test1", WINDOW_AUTOSIZE);
	namedWindow("test2", WINDOW_AUTOSIZE);

	imshow("image", image);
	imshow("test1", test1);
	imshow("test2", test2);

}

?测试函数如下：

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

int main(int argc, char** argv) {
	Mat src = imread("F:\\testImage\\test.png");
	if (src.empty()) {
		printf("could not load image...");
		return -1;
	}
	//如果图像过于大，不能完全显示整张图像可以使用namedWindow()可以实现对图像的自由缩放
	//namedWindow("input_window", WINDOW_FREERATIO);
	//imshow("input_window", src);
	Mat test1 = imread("F:\\testImage\\test1.png");
	Mat test2 = imread("F:\\testImage\\test2.png");

	MyApi ma;
	ma.histogram_comp(src,test1,test2);

	waitKey(0);
	return 0;
}

?从左到右分别是image与test1比较的相似性、与test2比较的相似性、与image比较的相似性

4.直方图的反向投影（back projection）

4.1反向投影概述

4.2反向投影步骤

建立直方图模型
计算待测图像直方图并映射到模型中
从模型反向计算生成图像

4.3实现步骤及相关API

加载图片imread
将图像从RGB色彩空间转换到HSV色彩空间cvtcolor
计算直方图和归一化calcHist与normalize
Mat与MatND其中Mat表示二维数据，MatND表示三维或者多维数据，此处均可以用Mat表示
计算反向投影图像calcBackProject

4.4 代码演示

mixChannels()参数说明：

void mixChannels(
const Mat* src, //输入数组或向量矩阵,所有矩阵的大小和深度必须相同。
size_t nsrcs, //矩阵的数量
Mat* dst, //输出数组或矩阵向量,大小和
深度必须与src[0]相同
size_t ndsts,//矩阵的数量
const int* fromTo,//指定被复制通道与要复制到的位置组成的索引对
size_t npairs //fromTo中索引对的数目
);

#define INPUT_TITLE "Input Image"
#define OUTPUT_TITLE "Back Projection"
#define HIST_TITLE "Histogram"
 
#include<iostream>
#include<opencv2\opencv.hpp>
 
using namespace std;
using namespace cv;
 
 
 
/*———————————本代码所需变量定义及初始化——————————— */
Mat src, hsv_src, hue, backProjectionImg;
int bins = 12;
int nchannels[] = { 0,0 };
 
/*—————————————本代码所需函数声明————————————— */
void Hist_And_BackProjection(int, void*);
 
 
int main() {
	/*—————————————全局变量的赋值————————————— */
	//1.图像载入
	src = imread("D:/hand.jpg");
	if (!src.data)
	{
		cout << "ERROR : could not load image.\n";
		return -1;
	}
	//2.将图像转化为HSV图像
	cvtColor(src, hsv_src, CV_BGR2HSV);
 
	//3.创建一个图像
	hue.create(hsv_src.size(), hsv_src.depth());
 
	//窗口命名
	namedWindow(INPUT_TITLE, CV_WINDOW_AUTOSIZE);
	namedWindow(OUTPUT_TITLE, CV_WINDOW_AUTOSIZE);
	namedWindow(HIST_TITLE, CV_WINDOW_AUTOSIZE);
 
	//从输入图像中拷贝某通道到输出图像中特定的通道
	mixChannels(&hsv_src, 1, &hue, 1, nchannels, 1);
 
	//动态调整直方图的 bins ，并做反向投影
	createTrackbar("Histogram Bins", INPUT_TITLE, &bins, 180, Hist_And_BackProjection);
	Hist_And_BackProjection(0, 0);
 
	imshow(INPUT_TITLE, src);
 
	waitKey(0);
	return 0;
}
 
 
/*—————————————本代码所需函数实现————————————— */
void Hist_And_BackProjection(int, void*) {
 
	//局部变量
	float range[] = { 0,180 };
	const float *histRanges = { range };
	int hist_h = 400;
	int hist_w = 400;
	int bin_w = hist_w / bins;
	Mat h_hist;
	Mat histImage(hist_w, hist_h, CV_8UC3, Scalar(0, 0, 0));
 
	//直方图计算及归一化处理
	calcHist(&hue, 1, 0, Mat(), h_hist, 1, &bins, &histRanges, true, false);
	normalize(h_hist, h_hist, 0, 255, NORM_MINMAX, -1, Mat());
 
	//直方图反向投影
	calcBackProject(&hue, 1, 0, h_hist, backProjectionImg, &histRanges, 1, true);
 
	//画直方图分部图
	for (int i = 0; i < bins; i++)
	{
		/*rectangle(histImage,
			Point((i - 1)*bin_w, (hist_h - cvRound(h_hist.at<float>(i - 1)*(400 / 255)))),
			Point(i*bin_w, (hist_h - cvRound(h_hist.at<float>(i)*(400 / 255)))),
			Scalar(0, 0, 255),
			-1);*/
 
		rectangle(histImage,
			Point((i - 1)*bin_w, (hist_h - cvRound(h_hist.at<float>(i - 1)*(400 / 255)))),
			Point(i*bin_w, hist_h),
			Scalar(0, 0, 255),
			-1);
	}
 
	imshow(OUTPUT_TITLE, backProjectionImg);
	imshow(HIST_TITLE, histImage);
 
}