opencv 与halcon转换 opencv对比halcon

OpenCV: Histogram Comparison

Goal

在本教程中，您将学习如何：

使用函数 cv::compareHist 获取一个数值参数，该参数表示两个直方图相互匹配的程度。

使用不同的指标来比较直方图

Theory

要比较两个直方图（H1 和 H2），首先我们必须选择一个指标（d(H1,H2)）来表示两个直方图的匹配程度。

OpenCV 实现函数 cv::compareHist 来执行比较。 它还提供了 4 种不同的指标来计算匹配：

1. Correlation ( CV_COMP_CORREL ) 相关性

 其中

N 是直方图 bin 的总数。

2. Chi-Square ( CV_COMP_CHISQR ) 卡方

 

3.Intersection ( method=CV_COMP_INTERSECT )  相交

 4.Bhattacharyya distance ( CV_COMP_BHATTACHARYYA )

Code

这个程序有什么作用？

加载一个基本图像和 2 个要与之比较的测试图像。

生成 1 个图像，它是基础图像的下半部分

将图像转换为 HSV 格式

计算所有图像的 H-S 直方图并将它们归一化以便比较它们。

将基础图像的直方图与 2 个测试直方图、下半部分基础图像的直方图和相同的基础图像直方图进行比较。

显示获得的数值匹配参数。

可下载代码：点击这里opencv/compareHist_Demo.cpp at 4.x · opencv/opencv (github.com)

代码一览：

/**
 * @file compareHist_Demo.cpp
 * @brief 比较直方图Sample code to use the function compareHist
 * @author OpenCV team
 */

#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>

using namespace std;
using namespace cv;

const char* keys =
    "{ help  h| | Print help message. }"
    "{ @input1 | | Path to input image 1. }"
    "{ @input2 | | Path to input image 2. }"
    "{ @input3 | | Path to input image 3. }";

/**
 * @function main
 */
int main( int argc, char** argv )
{
    //! [加载三个具有不同环境设置的图像]
    CommandLineParser parser( argc, argv, keys );
    Mat src_base = imread( parser.get<String>("input1") );
    Mat src_test1 = imread( parser.get<String>("input2") );
    Mat src_test2 = imread( parser.get<String>("input3") );
    if( src_base.empty() || src_test1.empty() || src_test2.empty() )
    {
        cout << "Could not open or find the images!\n" << endl;
        parser.printMessage();
        return -1;
    }
    //! [Load three images with different environment settings]

    //! [转换为 HSV]
    Mat hsv_base, hsv_test1, hsv_test2;
    cvtColor( src_base, hsv_base, COLOR_BGR2HSV );
    cvtColor( src_test1, hsv_test1, COLOR_BGR2HSV );
    cvtColor( src_test2, hsv_test2, COLOR_BGR2HSV );
    //! [Convert to HSV]

    //! [Convert to HSV half] 取hsv_base的下半部分
    Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) );
    //! [Convert to HSV half]

    //! [Using 50 bins for hue and 60 for saturation]色调使用 50 个 bin，饱和度使用 60
    int h_bins = 50, s_bins = 60;
    int histSize[] = { h_bins, s_bins };

    // hue varies from 0 to 179, saturation from 0 to 255 色调从 0 到 179 变化，饱和度从 0 到 255
    float h_ranges[] = { 0, 180 };
    float s_ranges[] = { 0, 256 };

    const float* ranges[] = { h_ranges, s_ranges };

    // Use the 0-th and 1-st channels 使用第 0 和第 1 通道
    int channels[] = { 0, 1 };
    //! [Using 50 bins for hue and 60 for saturation]

    //! [Calculate the histograms for the HSV images] 计算4张 HSV 图像的直方图并归一化
    Mat hist_base, hist_half_down, hist_test1, hist_test2;

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

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

    calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );
    normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );

    calcHist( &hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false );
    normalize( hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat() );
    //! [Calculate the histograms for the HSV images]

    //! [应用直方图比较方法]
    for( int compare_method = 0; compare_method < 4; compare_method++ )
    {
        double base_base = compareHist( hist_base, hist_base, compare_method );
        double base_half = compareHist( hist_base, hist_half_down, compare_method );
        double base_test1 = compareHist( hist_base, hist_test1, compare_method );
        double base_test2 = compareHist( hist_base, hist_test2, compare_method );

        cout << "Method " << compare_method << " Perfect, Base-Half, Base-Test(1), Base-Test(2) : "
             <<  base_base << " / " << base_half << " / " << base_test1 << " / " << base_test2 << endl;
    }
    //! [Apply the histogram comparison methods]

    cout << "Done \n";
    return 0;
}

Explanation

加载基础图像 (src_base) 和其他两个测试图像：

CommandLineParser parser( argc, argv, keys );
    Mat src_base = imread( parser.get<String>("input1") );//基础图像
    Mat src_test1 = imread( parser.get<String>("input2") );//测试图像1
Mat src_test2 = imread( parser.get<String>("input3") );//测试图像2
if( src_base.empty() || src_test1.empty() || src_test2.empty() )
    {
        cout << "Could not open or find the images!\n" << endl;
        parser.printMessage();
        return -1;
    }

将它们转换为 HSV 格式：

Mat hsv_base, hsv_test1, hsv_test2;
    cvtColor( src_base, hsv_base, COLOR_BGR2HSV );
    cvtColor( src_test1, hsv_test1, COLOR_BGR2HSV );
    cvtColor( src_test2, hsv_test2, COLOR_BGR2HSV );

此外，创建一半基本图像的图像（HSV 格式）：

Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) ); //下半截图像

初始化参数以计算直方图（箱、范围和通道 H 和 S ）。

int h_bins = 50, s_bins = 60;
    int histSize[] = { h_bins, s_bins };
// 色调从 0 到 179 变化，饱和度从 0 到 255 
// hue varies from 0 to 179, saturation from 0 to 255
    float h_ranges[] = { 0, 180 };
    float s_ranges[] = { 0, 256 };
    const float* ranges[] = { h_ranges, s_ranges };
    // Use the 0-th and 1-st channels
    int channels[] = { 0, 1 };

计算基础图像、2 个测试图像和 基础图像下半部分的直方图：

Mat hist_base, hist_half_down, hist_test1, hist_test2;
    calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false );
    normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat() );
    calcHist( &hsv_half_down, 1, channels, Mat(), hist_half_down, 2, histSize, ranges, true, false );
    normalize( hist_half_down, hist_half_down, 0, 1, NORM_MINMAX, -1, Mat() );
    calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );
    normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );
    calcHist( &hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false );
    normalize( hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat() );

在基础图像 (hist_base) 的直方图和其他直方图之间依次应用 4 种比较方法：

for( int compare_method = 0; compare_method < 4; compare_method++ )
    {
        double base_base = compareHist( hist_base, hist_base, compare_method );
        double base_half = compareHist( hist_base, hist_half_down, compare_method );
        double base_test1 = compareHist( hist_base, hist_test1, compare_method );
        double base_test2 = compareHist( hist_base, hist_test2, compare_method );
        cout << "Method " << compare_method << " Perfect, Base-Half, Base-Test(1), Base-Test(2) : "
             <<  base_base << " / " << base_half << " / " << base_test1 << " / " << base_test2 << endl;
    }

Results

1. 我们使用以下图像作为输入：

 

Base_0

 

Test_1

 

Test_2

其中第一个是基础（与其他图像进行比较），另外两个是测试图像。 我们还将比较第一张图像与其自身和一半的基本图像。

2.   当我们将基本图像直方图与其自身进行比较时，我们应该期待完美匹配。 此外，与一半基本图像的直方图相比，它应该呈现出高度匹配，因为两者都来自同一来源。 对于另外两张测试图像，我们可以观察到它们的光照条件非常不同，所以匹配应该不是很好：

3. 这是我们使用 OpenCV 3.4.1 得到的数值结果：

*Method*	Base - Base	Base - Half	Base - Test 1	Base - Test 2
*Correlation*	1.000000	0.880438	0.20457	0.0664547
*Chi-square*	0.000000	4.6834	2697.98	4763.8
*Intersection*	18.8947	13.022	5.44085	2.58173
*Bhattacharyya*	0.000000	0.237887	0.679826	0.874173

对于 Correlation 和 Intersection 方法，度量越高，匹配越准确。 正如我们所见，match base-base 是所有预期中最高的。 我们还可以观察到匹配的下半部分是第二好的匹配（正如我们所预测的那样）。 对于其他两个指标（Chi-square、Bhattacharyya），结果越少，匹配越好。 我们可以观察到，测试 1 和测试 2 之间关于基的匹配更差，这也是意料之中的。