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 ?
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiIn5Gcu82Yp9VRE90Qvw1c0V2czF2LcRXZu5ibkN3YuUGZvN2Lc9CX6MHc0RHaiojIsJye.png)
- MatND hist = getHistogram(image);
- int i;
- for(i = 0; i < 256; i++)
- {
- cout << "Value" << i << ": " << hist.at<float>(i) << endl;
- }
- namedWindow("image", 0);
- imshow("image", image);
- namedWindow("result", 0);
- imshow("result", result);
- waitKey(0);
- return 0;
- }
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 ?
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiIn5Gcu82Yp9VRE90Qvw1c0V2czF2LcRXZu5ibkN3YuUGZvN2Lc9CX6MHc0RHaiojIsJye.png)
- MatND getHueHistogram(Mat &image, int minSaturation = 0)
- {
- MatND hist;
- Mat hsvColor;
- cvtColor(image, hsvColor, CV_BGR2HSV);
- vector<Mat> hsv;
- split(hsvColor, hsv);
- Mat mask;
- if(minSaturation > 0)
- {
- threshold(hsv[1], mask, minSaturation, 255, THRESH_BINARY);
- int channels[] = {0};
- int histSize[] = {181};
- float hRanges[] = {0, 180};
- const float *ranges[] = {hRanges};
- int dims = 1;
- calcHist(&hsv[0], 1, channels, mask, hist, dims, histSize, ranges);
- }
- normalize(hist, hist, 1.0);
- return hist;
- }
- Mat getBackProject(Mat &image, MatND colorHist)
- {
- int channels[] = {0};
- Mat result;
- float hRanges[] = {0, 180};
- const float *ranges[] = {hRanges};
- calcBackProject(&image, 1, channels, colorHist, result, ranges, 255);
- int thre = 60;
- threshold(result, result, 60, 255,THRESH_BINARY);
- return result;
- }
- int main()
- {
- // 载入第一幅图像
- Mat image = imread("F:\\4.jpg",1);
- // 定义需要跟踪的目标---感兴趣的区域
- Mat imageROI = image(Rect(230, 320, 60, 35));
- // 得到目标的直方图 ********
- int minSat = 65;
- MatND colorHist = getHueHistogram(imageROI, minSat);
- // 载入需要跟踪的图片
- Mat image2 = imread("F:\\10.jpg", 1);
- // 转换颜色到hsv空间
- Mat hsvColor;
- cvtColor(image2, hsvColor, CV_BGR2HSV);
- vector<Mat> hsv;
- split(image2, hsv);
- // 得到目标图像的反投影直方图 *********
- Mat result = getBackProject(hsv[0], colorHist);
- // 去除 低饱和区域
- threshold(hsv[1], hsv[1], minSat, 255, THRESH_BINARY);
- bitwise_and(result, hsv[1], result);
- Rect rect(230, 320, 60, 35);
- rectangle(image, rect, Scalar(0,0,255));
- rectangle(image2, rect, Scalar(0,0,255));
- // 定义迭代的次数以及迭代的精度
- TermCriteria criteria(TermCriteria::MAX_ITER, 10, 0.01);
- // meanshift 算法 跟踪目标 并且得到新目标的位置rect
- meanShift(result, rect, criteria);
- rectangle(image2, rect, cv::Scalar(0,255,0));
- namedWindow("image");
- imshow("image", image);
- namedWindow("result");
- imshow("result", result);
- namedWindow("image2", 0);
- imshow("image2", image2);
- waitKey(0);
- return 0;
- }
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 ?
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiIn5Gcu82Yp9VRE90Qvw1c0V2czF2LcRXZu5ibkN3YuUGZvN2Lc9CX6MHc0RHaiojIsJye.png)
- int main()
- {
- Mat imageSource = imread("F:\\test\\tongtong.jpg", 1);
- colorReduce(imageSource, 32);
- MatND sourceHist = getHistogram(imageSource);
- stringstream ss;
- string str;
- string strBest = "";
- double minDistance = 256*100*100*100;
- for(int i = 1; i < 10; i++)
- {
- str = "F:\\test\\";
- ss.clear();
- ss << str;
- ss << i;
- ss << ".jpg";
- ss >> str;
- Mat imageDst = imread(str, 1);
- colorReduce(imageDst, 1);
- MatND dstHist = getHistogram(imageDst);
- double distance = compareHist(sourceHist, dstHist, CV_COMP_INTERSECT);
- if(distance < minDistance)
- {
- strBest = str;
- minDistance = distance;
- }
- }
- Mat best = imread(strBest,1);
- namedWindow(strBest);
- imshow(strBest,best);
- waitKey(0);
- return 0;
- }
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!)