OpenCV直方图比较(57)

返回:OpenCV系列文章目录（持续更新中......）

上一篇：OpenCV直方图计算(56)

下一篇：OpenCV如何实现背投(58)

目标

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之间的匹配程度。
• 使用不同的指标来比较直方图

理论

• 要比较两个直方图(H1 和H2)，首先我们必须选择一个要比较两个直方图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 4 个不同的指标来计算匹配：

 相关性 （ cv::HISTCMP_CORREL ）

卡方 ( cv::HISTCMP_CHISQR )

    

哪里

  

 是直方图箱的总数。

  

交集( method=cv::HISTCMP_INTERSECT )

  

Bhattacharyya 距离 ( cv::HISTCMP_BHATTACHARYYA )

   

C++代码
 

• 这个程序是做什么的？
  • 加载一个基础映像和 2 个测试映像以与之进行比较。
  • 生成 1 个图像，即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 直方图并对其进行归一化以进行比较。
  • 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。
  • 显示获取的数值匹配参数。

可下载代码： 点击这里:

代码一览：

#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 |Histogram_Comparison_Source_0.jpg | Path to input image 1. }"
 "{ @input2 |Histogram_Comparison_Source_1.jpg | Path to input image 2. }"
 "{ @input3 |Histogram_Comparison_Source_2.jpg | Path to input image 3. }";
 
int main( int argc, char** argv )
{
 CommandLineParser parser( argc, argv, keys );
 samples::addSamplesDataSearchSubDirectory( "doc/tutorials/imgproc/histograms/histogram_comparison/images" );
 Mat src_base = imread(samples::findFile( parser.get<String>( "@input1" ) ) );
 Mat src_test1 = imread(samples::findFile( parser.get<String>( "@input2" ) ) );
 Mat src_test2 = imread(samples::findFile( 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;
 }
 
 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 );
 
 Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) );
 
 int h_bins = 50, s_bins = 60;
 int histSize[] = { h_bins, s_bins };
 
 // 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 };
 
 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() );
 
 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;
 }
 
 cout << "Done \n";
 return 0;
}

解释

加载基础映像(src_base)和其他两个测试映像：

 CommandLineParser parser( argc, argv, keys );
 samples::addSamplesDataSearchSubDirectory( "doc/tutorials/imgproc/histograms/histogram_comparison/images" );
 Mat src_base = imread(samples::findFile( parser.get<String>( "@input1" ) ) );
 Mat src_test1 = imread(samples::findFile( parser.get<String>( "@input2" ) ) );
 Mat src_test2 = imread(samples::findFile( 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;
 }

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，创建基本图像一半的图像（HSV 格式）：

 Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) );

初始化参数以计算直方图(矩形、范围和通道 H 和 S)

 int h_bins = 50, s_bins = 60;
 int histSize[] = { h_bins, s_bins };
 
 // 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 个测试图像和半向下基础图像的直方图：

 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;
 }

结果

我们使用以下图像作为输入: 

1. 其中第一个是基础（要与其他图像进行比较），另外两个是测试图像。我们还将比较第一个图像相对于其自身和相对于基础图像的一半。
2. 当我们将基础图像直方图与自身进行比较时，我们应该期待完美匹配。此外，与一半基础图像的直方图相比，它应该呈现高度匹配，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照明条件非常不同，因此匹配应该不是很好：
3. 以下是我们在 OpenCV 3.4.1 中得到的数值结果：

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，指标越高，匹配越准确。正如我们所看到的，正如预期的那样，匹配基础是最高的。此外，我们可以观察到比赛半场是第二好的比赛（正如我们预测的那样）。对于其他两个指标，结果越少，匹配越好。我们可以观察到，测试 1 和测试 2 之间相对于碱基的匹配更差，这又是意料之中的。

参考文献：

1、《Histogram Comparison》-------Ana Huamán