Opencv2系列学习笔记6(直方图的应用)

前面我讲述了直方图的概念以及如何用opencv实现一维和二维的直方图。详见这两篇blog: Mat 格式：http://blog.csdn.net/lu597203933/article/details/16884409  

cv：http://blog.csdn.net/lu597203933/article/details/14104505 

这次主要想讲点直方图的应用，其中包括使用查找表修改图像的外观、直方图的均衡化、反投影直方图检测特定图像的内容、meanshift算法<均值漂移>跟踪物体和利用图像直方图检索相似图像<可靠性比较低>。

一：使用查找表修改图像的外观

查找表是简单的一对一(或者多对一)函数，定义了如何将像素值转换为新像素值。Opencv的cv::LUT对图像应用查找表以生成新图像。公式为: result[i] = lookup[image[i]].

<1>图像反转

Code：

Main.cpp

[cpp]  view plain  copy  print ?

1.        MatND hist = getHistogram(image);  
2. int i;  
3. for(i = 0; i < 256; i++)  
4. {  
5.     cout << "Value" << i << ": " << hist.at<float>(i) << endl;  
6. }  
7.     namedWindow("image", 0);  
8.     imshow("image", image);  
9.     namedWindow("result", 0);  
10.     imshow("result", result);  
11.     waitKey(0);  
12.     return 0;  
13. }  

Result：

四：使用meanshift算法<均值漂移>跟踪物体

Meanshift算法的具体介绍可以看我转载的一篇blog：http://blog.csdn.net/lu597203933/article/details/17042331  它就是以迭代的方式锁定概率函数的局部最大值

主要分为这三个步骤：首先需要得到目标的直方图，其次用该直方图对图片进行反投影，后对反投影的图像进行meanshift算法。其中迭代的次数和精度作为收敛的条件。

Code：

[cpp]  view plain  copy  print ?

1. MatND getHueHistogram(Mat &image, int minSaturation = 0)  
2. {  
3.     MatND hist;  
4.     Mat hsvColor;  
5.     cvtColor(image, hsvColor, CV_BGR2HSV);  
6.     vector<Mat> hsv;   
7.     split(hsvColor, hsv);  
8.     Mat mask;  
9.     if(minSaturation > 0)  
10.     {  
11.         threshold(hsv[1], mask, minSaturation, 255, THRESH_BINARY);  
12.         int channels[] = {0};  
13.         int histSize[] = {181};  
14.         float hRanges[] = {0, 180};  
15.         const float *ranges[] = {hRanges};  
16.         int dims = 1;  
17.         calcHist(&hsv[0], 1, channels, mask, hist, dims, histSize, ranges);  
18.     }  
19.     normalize(hist, hist, 1.0);  
20.     return hist;  
21. }  
22. Mat getBackProject(Mat &image, MatND colorHist)  
23. {  
24.     int channels[] = {0};  
25.     Mat result;  
26.     float hRanges[] = {0, 180};  
27.     const float *ranges[] = {hRanges};  
28.     calcBackProject(&image, 1, channels, colorHist, result, ranges, 255);  
29.     int thre = 60;  
30.     threshold(result, result, 60, 255,THRESH_BINARY);  
31.     return result;  
32. }  
33. int main()  
34. {  
35.     // 载入第一幅图像  
36.     Mat image = imread("F:\\4.jpg",1);  
37.     // 定义需要跟踪的目标---感兴趣的区域  
38.     Mat imageROI = image(Rect(230, 320, 60, 35));  
39.     // 得到目标的直方图  ********  
40.     int minSat = 65;  
41.     MatND colorHist = getHueHistogram(imageROI, minSat);  
42.     //  载入需要跟踪的图片  
43.     Mat image2 = imread("F:\\10.jpg", 1);  
44.     // 转换颜色到hsv空间  
45.     Mat hsvColor;  
46.     cvtColor(image2, hsvColor, CV_BGR2HSV);  
47.     vector<Mat> hsv;  
48.     split(image2, hsv);  
49.     // 得到目标图像的反投影直方图  *********  
50.     Mat result = getBackProject(hsv[0], colorHist);  
51.     // 去除 低饱和区域  
52.     threshold(hsv[1], hsv[1], minSat, 255, THRESH_BINARY);  
53.     bitwise_and(result, hsv[1], result);  
54.     Rect rect(230, 320, 60, 35);  
55.     rectangle(image, rect, Scalar(0,0,255));  
56.     rectangle(image2, rect, Scalar(0,0,255));  
57.     // 定义迭代的次数以及迭代的精度  
58.     TermCriteria criteria(TermCriteria::MAX_ITER, 10, 0.01);  
59.     // meanshift 算法 跟踪目标 并且得到新目标的位置rect  
60.     meanShift(result, rect, criteria);  
61.     rectangle(image2, rect, cv::Scalar(0,255,0));  
62.     namedWindow("image");  
63.     imshow("image", image);  
64.     namedWindow("result");  
65.     imshow("result", result);  
66.     namedWindow("image2", 0);  
67.     imshow("image2", image2);  
68.     waitKey(0);  
69.     return 0;  
70. }  

Explaination：

<1>代码中我们使用HSV颜色空间中的色调分量以描述所要搜索的物体。

<2>还需要注意的是如果一个颜色的饱和度偏低，会导致色调信息变得不稳定以及不可靠。这是因为低饱和度的颜色中，红绿蓝三个分量几乎是相等的。

<3>meanshift：intcvMeanShift( const CvArr* prob_image, CvRect window, CvTermCriteria criteria,CvConnectedComp* comp );

参数

prob_image

目标直方图的反向投影(见 cvCalcBackProject).

window

初始搜索窗口

criteria

确定窗口搜索停止的准则

五：通过比较直方图检索相似图片

基本思想就是得到两幅图像的直方图，然后通过opencv提供的函数compareHist来得到它们的相似程度，返回的是个double值。

Code：

[cpp]  view plain  copy  print ?

1. int main()  
2. {  
3.     Mat imageSource = imread("F:\\test\\tongtong.jpg", 1);  
4.     colorReduce(imageSource, 32);  
5.     MatND sourceHist = getHistogram(imageSource);  
6.     stringstream ss;  
7.     string str;  
8.     string strBest = "";  
9.     double minDistance = 256*100*100*100;  
10.     for(int i = 1; i < 10; i++)  
11.     {  
12.         str = "F:\\test\\";  
13.         ss.clear();  
14.         ss << str;  
15.         ss << i;  
16.         ss << ".jpg";  
17.         ss >> str;  
18.         Mat imageDst = imread(str, 1);  
19.         colorReduce(imageDst, 1);  
20.         MatND dstHist = getHistogram(imageDst);  
21.         double distance = compareHist(sourceHist, dstHist, CV_COMP_INTERSECT);  
22.         if(distance < minDistance)  
23.         {  
24.             strBest = str;  
25.             minDistance = distance;  
26.         }  
27.     }  
28.     Mat best = imread(strBest,1);  
29.     namedWindow(strBest);  
30.     imshow(strBest,best);  
31.     waitKey(0);  
32.     return 0;  
33. }  

Explaination：

<1>代码中使用了降低颜色数。这是因为直方图的比较大多数都是基于逐个容器的，即比较直方图容器时并不考虑相邻容器的影像。因此，测量相似度之前减少颜色空间是很重要的。

<2>compareHist函数直接明了，只需提供两个直方图，函数边返回测量距离。通过一个标志参数可以指定测量方法。代码中的参数CV_COMP_INTERSECT表示交叉测量法。即简单比较每个直方图容器的值，并保留最小的一个。相似性测量值只是这些最小值的和。

作者：小村长  出处：http://blog.csdn.net/lu597203933 欢迎转载或分享，但请务必声明文章出处。 （新浪微博：小村长zack, 欢迎交流！）