OpenCV + CPP 系列（十九）直方图比较 与 直方图反向投影

文章目录

一、直方图比较

对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，然后可以通过计算H1与H2的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提供的比较方法有四种：

• Correlation相关性比较　相关性程度 = (1，-1) ，为1时相关性最强
• Chi-Square卡方比较　（越接近0，两个直方图越相似）
• Intersection十字交叉性　（取两个直方图每个相同位置的值的最小值，然后求和，这个比较方式不是很好，不建议使用）
• Bhattacharyya distance巴氏距离　（比较结果是很准的，计算结果范围为 0-1 ，0表示两个直方图非常相关，1最不相似）

计算公式

其中N是直方图的BIN个数，$\bar{Ｈ}$

2. 相关性计算(CV_COMP_CORREL)





4. 卡方计算(CV_COMP_CHISQR)



6. 十字计算(CV_COMP_INTERSECT)



8. 巴氏距离计算(CV_COMP_BHATTACHARYYA )



9. 颜色空间转换BGR2HSV：
   计算图像的直方图，然后归一化到[0~1]之间（calcHist和normalize;）

InputArray h1, 　　　　// 直方图数据，下同

InputArray H2,

int method　　　　　　// 比较方法，上述四种方法之一

)

头文件 quick_opencv.h：声明类与公共函数

#pragma once
#include <opencv2\opencv.hpp>
using namespace cv;

class QuickDemo {
public:
  ...
  void compareHist_Demo(Mat& image1, Mat& image2, Mat& image3);
  void backProjection_Demo(Mat& image1);

};

主函数调用该类的公共成员函数

#include <opencv2\opencv.hpp>
#include <quick_opencv.h>
#include <iostream>
using namespace cv;


int main(int argc, char** argv) {
  Mat src1 = imread("D:\\Desktop\\pandas_small22.png");
  Mat src2 = imread("D:\\Desktop\\pandas_small22_test1.png");
  Mat src3 = imread("D:\\Desktop\\pandas_small22_test2.png");
  
  if (src1.empty()) {
    printf("Could not load images src1...\n");
    return -1;
  }
  if (src2.empty()) {
    printf("Could not load images src2...\n");
    return -1;
  }
  if (src3.empty()) {
    printf("Could not load images src3...\n");
    return -1;
  }

  QuickDemo qk;
  qk.compareHist_Demo(src1, src2, src3);
  qk.backProjection_Demo(src1);
  waitKey(0);
  destroyAllWindows();
  return 0;
}

源文件 quick_demo.cpp：实现类与公共函数

效果演示

void QuickDemo::compareHist_Demo(Mat& image, Mat& test1, Mat& test2) {

  Mat hsv_dst1, hsv_dst2, hsv_dst3;
  cvtColor(image, hsv_dst1, COLOR_BGR2HSV);
  cvtColor(test1, hsv_dst2, COLOR_BGR2HSV);
  cvtColor(test2, hsv_dst3, COLOR_BGR2HSV);

  Mat hsv_src1 = hsv_dst1.clone();
  Mat hsv_src2 = hsv_dst2.clone();
  Mat hsv_src3 = hsv_dst3.clone();


  int h_bins = 50;
  int s_bins = 60;
  int histSize[] = { h_bins, s_bins };

  //h = [0-179] s=[0,255]
  float h_ranges[] = { 0,180 };
  float s_ranges[] = { 0,256 };
  const float* ranges[] = { h_ranges, s_ranges };

  // Use the o-th and 1-st channels
  int channels[] = { 0,1 };
  MatND hist_base;
  MatND hist_test1;
  MatND hist_test2;

  calcHist(&hsv_dst1, 1, channels, Mat(), hist_base, 2, histSize,  ranges, true, false);
  normalize(hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat());

  calcHist(&hsv_dst2, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false);
  normalize(hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat());

  calcHist(&hsv_dst3, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false);
  normalize(hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat());

  int method[4] = { HISTCMP_CORREL ,HISTCMP_CHISQR, HISTCMP_INTERSECT,HISTCMP_BHATTACHARYYA };
  for (int i = 0; i < 4; i++) {
    double basebase = compareHist(hist_base, hist_base, method[i]);
    double basetest1 = compareHist(hist_base, hist_test1, method[i]);
    double basetest2 = compareHist(hist_base, hist_test2, method[i]);

    
    putText(hsv_dst1, to_string(basebase), Point(20, image.rows - 20), FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 0), 2, 8);
    putText(hsv_dst2, to_string(basetest1), Point(20, image.rows - 20), FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 0), 2, 8);
    putText(hsv_dst3, to_string(basetest2), Point(20, image.rows - 20), FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 0), 2, 8);
    imshow("src", hsv_dst1);
    imshow("dst1", hsv_dst2);
    imshow("dst2", hsv_dst3);

    // 清空图片文字
    hsv_src1.copyTo(hsv_dst1);
    hsv_src2.copyTo(hsv_dst2);
    hsv_src3.copyTo(hsv_dst3);
    waitKey(0);
  }
}

对测试图片进行光影调整后分别保存为test1,test2副本后测试：

比较方法：HISTCMP_CORREL

比较方法：HISTCMP_CHISQR

比较方法：HISTCMP_INTERSECT

比较方法：HISTCMP_BHATTACHARYYA

二、直方图反向投影

​​OpenCV—python 反向投影 ROI​​

反向投影是反映直方图模型在目标图像中的分布情况

简单点说就是用直方图模型去目标图像中寻找是否有相似的对象。通常用HSV色彩空间的HS两个通道直方图模型。

一般检查流程

• 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表示二维数组，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

共三个重载函数，我这里只列出一个

void calcBackProject( const Mat* images, 　　　输入图像，图像深度必须位CV_8U,CV_16U或CV_32F中的一种

int

nimages,　　　　　　　输入图像的数量

const int*

channels, 　　　用于计算反向投影的通道列表，通道数必须与直方图维度相匹配

InputArray

hist,　　　　　　输入的直方图，直方图的bin可以是密集(dense)或稀疏(sparse)

OutputArray

backProject, 　目标反向投影输出图像，是一个单通道图像

const float**

ranges,　　　　方图中每个维度bin的取值范围

double

scale = 1, 　　　　　可选输出反向投影的比例因子

bool

uniform = true 　　　　直方图是否均匀分布(uniform)的标识符，有默认值true

)

void QuickDemo::backProjection_Demo(Mat& image, Mat& test1) {
  Mat hsv,h_mat;
  cvtColor(image, hsv, COLOR_BGR2HSV);
  h_mat = Mat::zeros(hsv.size(), hsv.depth());
  int nchannels[] = { 0,0 };
  mixChannels(&hsv,1, &h_mat, 1, nchannels, 1);

  int binSize = 12;
  float range[] = { 0,180 };
  const float* histRange{ range };
  Mat h_hist;

  calcHist(&h_mat, 1, 0, Mat(), h_hist, 1, &binSize, &histRange, true, false);
  normalize(h_hist, h_hist, 0, 255, NORM_MINMAX, -1, Mat());

  Mat backProjectImage;
  calcBackProject(&h_mat, 1,0, h_hist, backProjectImage, &histRange, 1, true);
  imshow("backPro", backProjectImage);

  int hist_h = 400;
  int hist_w = 400;
  Mat hist_Image = Mat::zeros(hist_w, hist_h, CV_8UC3);
  int bin_w = hist_w / binSize;
  for (int i = 0; i < binSize; i++) {
    rectangle(hist_Image, 
      Point((i - 1) * bin_w, hist_h - cvRound(h_hist.at<float>(i - 1) * (400 / 255))),
      Point(i* bin_w, hist_h),
      Scalar(255, 255, 0), -1);
  }
  imshow("histogram", hist_Image);
}

使用效果：

使用 ​​trackbar 详情​​

使用trackbar, 代码有问题，请教大佬。

static void on_bin_hist(int binSize_, void* h_mat_) {
  Mat h_hist;
  Mat h_mat = *((Mat*)h_mat_);

  int binSize = MAX(binSize_, 2);
  float range[] = { 0,180 };
  const float* histRange{ range };

  calcHist(&h_mat, 1, 0, Mat(), h_hist, 1, &binSize, &histRange, true, false);
  normalize(h_hist, h_hist, 0, 255, NORM_MINMAX, -1, Mat());

  Mat backProjectImage;
  calcBackProject(&h_mat, 1, 0, h_hist, backProjectImage, &histRange, 1, true);
  imshow("backPro", backProjectImage);

  int hist_h = 400;
  int hist_w = 400;
  Mat hist_Image = Mat::zeros(hist_w, hist_h, CV_8UC3);
  int bin_w = cvRound((double)hist_w / binSize);
  for (int i = 0; i < binSize; i++) {
    rectangle(hist_Image,
      Point((i - 1) * bin_w, hist_h - cvRound(h_hist.at<float>(i - 1) * (400 / 255))),
      Point(i * bin_w, hist_h),
      Scalar(255, 255, 0), -1);
  }
  imshow("histogram", hist_Image);
}

void QuickDemo::backProjection_track_bar_Demo(Mat& image) {
  namedWindow("histogram", WINDOW_NORMAL);
  namedWindow("backPro", WINDOW_NORMAL);
  int binSize = 12;

  Mat hsv, h_mat;
  cvtColor(image, hsv, COLOR_BGR2HSV);
  h_mat = Mat::zeros(hsv.size(), hsv.depth());
  int nchannels[] = { 0,0 };
  mixChannels(&hsv, 1, &h_mat, 1, nchannels, 1);

  createTrackbar("hist_bins", "histogram", &binSize, 180, on_bin_hist, &h_mat);
  on_bin_hist(binSize, &h_mat);
}