OpenCV背投

人工智能小豪

已于 2024-05-05 14:03:19 修改

阅读量1.6k

点赞数 38

文章标签： opencv 人工智能计算机视觉

于 2024-02-17 17:15:00 首次发布

本文链接：https://blog.csdn.net/2301_81888214/article/details/136126087

版权

目标

在本教程中，您将学习：

什么是背投以及它为什么有用
如何使用 OpenCV 函数 cv：：calcBackProject 计算反投影
如何使用 OpenCV 函数 cv：：mixChannels 混合图像的不同通道

理论

什么是背投？

背投是一种记录给定图像的像素与直方图模型中像素分布拟合程度的方法。
为了更简单起见：对于反投影，您可以计算要素的直方图模型，然后使用它在图像中查找此要素。
应用示例：如果您有肉色直方图（例如，色相饱和直方图），则可以使用它来查找图像中的肉色区域：

它是如何工作的？

我们通过使用皮肤示例来解释这一点：
假设您已经根据下图获得了皮肤直方图（色调饱和度）。除此之外，直方图将是我们的模型直方图（我们知道它代表了皮肤色调的样本）。您应用了一些蒙版以仅捕获皮肤区域的直方图：

T0型

T1航站楼
现在，让我们想象一下，你得到了另一个手部图像（测试图像），如下图所示：（及其各自的直方图）：

T2航站楼

T3航站楼
我们想要做的是使用我们的模型直方图（我们知道它代表皮肤色调）来检测测试图像中的皮肤区域。步骤如下
1. 在我们的测试图像的每个像素（即）中，收集数据并找到该像素的相应 bin 位置（即（ h_{i，j}， s_{i，j} ））。p（i，j）(h我，J,s我，J)
2. 在相应的 bin 中查找模型直方图 - （ h_{i，j}， s_{i，j} ） - 并读取 bin 值。(h我，J,s我，J)
3. 将此 bin 值存储在新图像（BackProjection）中。此外，您可以考虑先对模型直方图进行归一化，以便您可以看到测试图像的输出。
4. 应用上述步骤，我们得到以下测试图像的 BackProjection 图像：
5. 在统计方面，存储在 BackProjection 中的值表示测试图像中像素属于皮肤区域的概率，基于我们使用的模型直方图。例如，在我们的测试图像中，较亮的区域更有可能是皮肤区域（实际上确实如此），而较暗区域的可能性较小（请注意，这些“黑暗”区域属于表面有一些阴影，这反过来又会影响检测）。

法典 C++爪哇岛蟒

这个程序是做什么的？
- 加载图像
- 将原始格式转换为 HSV 格式，并仅分离用于直方图的 Hue 通道（使用 OpenCV 函数 cv：：mixChannels )
- 让用户输入要用于计算直方图的条柱数。
- 计算直方图（如果图格发生变化，则更新直方图）和同一图像的反投影。
- 在窗口中显示背投影和直方图。
可下载代码：
- 单击此处获取基本版本（在本教程中解释）。
- 对于稍微花哨的东西（使用 H-S 直方图和 floodFill 来定义皮肤区域的蒙版），您可以查看改进的演示
- …或者，您可以随时查看示例中的经典 CamshiftDemo。
代码一览：

#include“opencv2/imgproc.hpp”

#include“opencv2/imgcodecs.hpp”

#include “opencv2/highgui.hpp”

#include < iostream>

使用命名空间 CV;

使用命名空间 std;

垫色;

int bins = 25;

无效Hist_and_Backproj（int， void* );

int main（ int argc， char* argv[] ）

{

CommandLineParser 解析器（ argc， argv， “{@input |Back_Projection_Theory0.jpg|输入图像}” );

示例：：addSamplesDataSearchSubDirectory（“doc/tutorials/imgproc/histograms/back_projection/images”);

Mat src = imread（samples：：findFile（parser.get[>（ “@input” )) );

if（ src.空() )

{

cout << “无法打开或找到图像！”<<结束;

cout << “Usage： ” << argv[0] << “ ” << endl;

返回 -1;

}

垫HSV;

cvtColor（ src， hsv， COLOR_BGR2HSV );

色调。创建（HSV.size（）、hsv。深度());

int ch[] = { 0， 0 };

mixChannels（ &hsv， 1， &hue， 1， ch， 1 ）;

const char* window_image = “源图像”;

namedWindow（ window_image ）;

createTrackbar（“* Hue bins： ”， window_image， &bins， 180， Hist_and_Backproj ）;

Hist_and_Backproj（0， 0）;

imshow（ window_image， src ）;

等到用户退出程序

等待键();

返回 0;

}

无效Hist_and_Backproj（int， void* )

{

int histSize = MAX（ bins， 2 ）;

浮点数 hue_range[] = { 0， 180 };

常量浮点数* ranges[] = { hue_range };

垫子;

calcHist（ &hue， 1， 0， Mat（）， hist， 1， &histSize， ranges， true， false );

归一化（ hist， hist， 0， 255， NORM_MINMAX， -1， Mat() );

垫子 backproj;

calcBackProject（ &hue， 1， 0， hist， backproj， ranges， 1， true );

imshow（ “BackProj”， backproj ）;

整数 w = 400，h = 400;

int bin_w = cvRound（（double） w / histSize ）;

Mat histImg = Mat：：zeros（ h， w， CV_8UC3 );

for （int i = 0; i < bins; i++）

{

rectangle（ histImg， Point（ i*bin_w， h ）， Point（（i+1）*bin_w， h - cvRound（ hist.at（i）*h/255.0 ）），

标量（ 0， 0， 255 ），填充 );

}

imshow（ “直方图”， histImg ）;

}

解释 C++爪哇岛蟒

读取输入图像：

CommandLineParser 解析器（ argc， argv， “{@input |Back_Projection_Theory0.jpg|输入图像}” );

示例：：addSamplesDataSearchSubDirectory（“doc/tutorials/imgproc/histograms/back_projection/images”);

Mat src = imread（samples：：findFile（parser.get[>（ “@input” )) );

如果（ src.empty（））

{

cout << “无法打开或找到图像！”<<结束;

cout << “Usage： ” << argv[0] << “ ” << endl;

返回 -1;

}

将其转换为 HSV 格式：

垫HSV;

cvtColor（ src， hsv， COLOR_BGR2HSV );

在本教程中，我们将仅将 Hue 值用于我们的一维直方图（如果您想使用更标准的 HS 直方图，请查看上面链接中的更高级代码，这将产生更好的结果）：

hue.create（hsv.size（）， hsv.depth（））;

int ch[] = { 0， 0 };

mixChannels（ &hsv， 1， &hue， 1， ch， 1 ）;

如您所见，我们使用函数 cv：：mixChannels 仅从 hsv 图像中获取通道 0 （Hue）。它获取以下参数：
- **&HSV：**将从中复制通道的源数组
- **1：**源数组数
- **&色调：**复制通道的目标数组
- **1：**目标阵列数
- **ch[] = {0,0}：**指示如何复制通道的索引对数组。在本例中，将 &hsv 的 Hue（0）通道复制到 &hue 的 0 通道（1 通道）
- **1：**索引对数
为用户创建一个跟踪栏以输入 bin 值。跟踪栏上的任何更改都意味着对Hist_and_Backproj回调函数的调用。

const char* window_image = “源图像”;

namedWindow（ window_image ）;

createTrackbar（“* Hue bins： ”， window_image， &bins， 180， Hist_and_Backproj ）;

Hist_and_Backproj（0， 0）;

显示图像并等待用户退出程序：

imshow（ window_image， src ）;

等到用户退出程序

等待键();

**Hist_and_Backproj功能：**初始化 cv：：calcHist 所需的参数。素材箱的数量来自跟踪栏：

int histSize = MAX（ bins， 2 ）;

浮点数 hue_range[] = { 0， 180 };

常量浮点数* ranges[] = { hue_range };

计算直方图并将其归一化为计算直方图并将其归一化为范围[0,255]

垫子;

calcHist（ &hue， 1， 0， Mat（）， hist， 1， &histSize， ranges， true， false );

归一化（ hist， hist， 0， 255， NORM_MINMAX， -1， Mat（））;

通过调用函数 cv：：calcBackProject 获取同一图像的反投影

垫子 backproj;

calcBackProject（ &hue， 1， 0， hist， backproj， ranges， 1， true );

所有参数都是已知的（与用于计算直方图的参数相同），只是我们添加了 BackProj 矩阵，它将存储源图像（&色调）的反投影
显示 backproj：

imshow（ “BackProj”， backproj ）;

绘制图像的一维色调直方图：

整数 w = 400，h = 400;

int bin_w = cvRound（（double） w / histSize ）;

Mat histImg = Mat：：zeros（ h， w， CV_8UC3 );

for （int i = 0; i < bins; i++）

{

rectangle（ histImg， Point（ i*bin_w， h ）， Point（（i+1）*bin_w， h - cvRound（ hist.at（i）*h/255.0 ）），

标量（ 0， 0， 255 ），填充 );

}

imshow（ “直方图”， histImg ）;

结果

以下是使用示例图像的输出（你猜怎么着？另一只手）。您可以使用 bin 值，您将观察它如何影响结果：

R1型

R2型

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述