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:
- 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。
- 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:
- 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