from:http://www.cnblogs.com/tornadomeet/archive/2012/05/03/2480824.html
基础学习笔记之opencv(4)：直方图使用学习
目的：
直方图在cv领域到处可见，因为其功能在cv算法的实现中比不可少。Opencv库中也集成了关于直方图的不少函数，比如直方图的计算，均衡，归一化，相似度比较等等。
为了体验这些函数，做了个小实验，功能是：打开摄像头，鼠标选定一个框，框内图像作为标准图像，计算出其直方图并显示出来；然后继续鼠标选定框，该框内的图像的直方
图与标准图像的进行相似度计算，计算结果在终端输出，数值越大表示相似度越大。
工程环境：opencv2.3.1+vs2010。
// hist_test.cpp : 定义控制台应用程序的入口点。
//
#include "stdafx.h"
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
#include <stdio.h>
using namespace cv;
using namespace std;
int nFrame_num=0;
bool pause=false;
bool tracking=false;
Rect preselectROI,selectROI;//用于存放手选的矩形
bool comp=true;
Mat rhist,ghist,bhist;
int channels[]={0,1,2};
//const int histsize[]={256,256,256};
const int histsize[]={16,16,16};
const int histsize1=16;
float rranges[]={0,255};
float granges[]={0,255};
float branges[]={0,255};
float range[]={0,255};
const float *ranges1={range};//这里的ranges就相当于一个双指针了
const float *ranges[]={rranges,granges,branges};//ranges是个双指针，且前面一定要用const，即不可改变常量，提高程序的可读性和稳健性
//const float *ranges[]={{0,255},{0,255},{0,255}};
void onMouse(int event,int x,int y,int,void *)
{
if(event==CV_EVENT_LBUTTONDOWN)
{
selectROI.x=x;
selectROI.y=y;
tracking=false;
}
else if(event==CV_EVENT_LBUTTONUP)
{
selectROI.width=x-selectROI.x;
selectROI.height=y-selectROI.y;
tracking=true;
comp=true;
nFrame_num++;//选定后才算真正意义上的第一帧
if(nFrame_num>=10)nFrame_num=10;//防止nFrame_num溢出
}
}
int main(int argc, const char* argv[])
{
Mat frame,img;
Mat staRoiHist;
MatND RoiHist;
int DRAW_H=400,DRAW_W=400;
Mat draw(DRAW_W,DRAW_H,CV_8UC3,Scalar(0,0,0));//建立一个显示直方图的图片，背景为纯黑色
int DRAW_BIN_W=cvRound(DRAW_W/histsize1);
/****打开摄像头****/
VideoCapture cam(0);
if(!cam.isOpened())
return -1;
/****鼠标捕捉****/
namedWindow("camera",1);
namedWindow("rgb_hist",1);
setMouseCallback("camera",onMouse,0);//这里用的是面向对象的思想，只要有鼠标动作就会调用鼠标响应函数
while(1)
{
if(!pause)//暂停按钮只需控制视频的读取
{
cam>>frame;
if(frame.empty())
break;//break此处跳出的是while语句，一般是跳出for或while语句，不要理解为跳出if语句
}
/* if(1==nFrame_num)
{
}*/
if(tracking)
{
Mat RoiImage(frame,selectROI);
/*************************************************************************************************************************/
/**** calcHist():计算图像块的直方图矩阵 ****/
/****calcHist(),第1个参数为原数组区域列表；第二个参数为有计算几个原数组；参数3为需要统计的通道索引数；参数4为操作掩码****/
/****第5个参数为存放目标直方图矩阵；参数6为需要计算的直方图的维数；参数7为每一维的bin的个数；参数8为每一维数值的取值范围****/
/****参数10为每个bin的大小是否相同的标志，默认为1，即bin的大小都相同；参数11为直方图建立时清除内存痕迹标志，默认为0，即清除****/
/*************************************************************************************************************************/
calcHist(&RoiImage,1,channels,Mat(),RoiHist,3,histsize,ranges);//原数组区域RoiImage,1个源，需要统计的通道索引为{0,1,2},
//目标直方图RoiHist，3维，每一维的bin数histsize,取值范围为
//ranges,实际上计算出的目标矩阵类似一维矩阵。
/*************************************************************************************************************************/
/**** normalize()：根据某种范数或者数值范围归一化数组 ****/
/**** normalize(),参数1表示需要归一化的数组；参数2为归一化后的目的数组;参数3表示输出数值的最小值/最大值或者输出数值的范数;****/
/**** 参数4表示输出数值的最小值/最大值;参数5表示归一化数组使用的归一化类型，默认值为使用L2范数;参数6为对应元素的掩膜矩阵 ****/
/**** 默认值为空，即不采用掩膜操作 ****/
/*************************************************************************************************************************/
normalize(RoiHist,RoiHist);//使用L2范数将RoiHist直方图原地归一化
vector<Mat> rgb_planes;//这里的vector为向量，向量的数据类型为Mat结构体，向量的长度为3
split(RoiImage,rgb_planes);//将rgb图分解到rgb_planes各个分量中
calcHist(&rgb_planes[0],1,0,Mat(),rhist,1,&histsize1,&ranges1);
normalize(rhist,rhist,0,DRAW_H,NORM_MINMAX);//进行最大最小值归一化
calcHist(&rgb_planes[1],1,0,Mat(),ghist,1,&histsize1,&ranges1);
normalize(ghist,ghist,0,DRAW_H,NORM_MINMAX);
calcHist(&rgb_planes[2],1,0,Mat(),bhist,1,&histsize1,&ranges1);
normalize(bhist,bhist,0,DRAW_H,NORM_MINMAX);
if(nFrame_num==1)
{
// preselectROI=selectROI;
preselectROI.x=selectROI.x;
preselectROI.y=selectROI.y;
preselectROI.width=selectROI.width;
preselectROI.height=selectROI.height;
staRoiHist=RoiHist.clone();//第一次选定目标，作为标准模板目标
}
else if(nFrame_num>1&&comp==true)
{
/*************************************************************************************************************************/
/**** compareHist():比较2个直方图的相似度 ****/
/**** compareHist()，参数1为比较相似度的直方图1；参数2为比较相似度的直方图2；参数3为相似度的计算方式。有四种， ****/
/**** 分别为CV_COMP_CORREL,CV_COMP_CHISQR,CV_COMP_INTERSECT,CV_COMP_BHATTACHARYYA ****/
/*************************************************************************************************************************/
double distence=compareHist(staRoiHist,RoiHist,CV_COMP_INTERSECT);//计算后面选定的与这次选定的相似度，使用INTERSECT，值越大越相似
printf("与第1次选定的图像区域相似度为：%f\n",distence);//数组越大，相似度越大
//显示直方图
for(int i=1;i<histsize1;i++)
{
//画直线中要注意2点，因为图片的原点在左上角，而直方图坐标系的原点在左下角，所以高度值都需要被直方图图纸高度减掉，另外取一维直方图时只能用at运算符
line(draw,Point(DRAW_BIN_W*(i-1),DRAW_H-cvRound(rhist.at<float>((i-1)))),Point(DRAW_BIN_W*(i),DRAW_H-cvRound(rhist.at<float>(i))),Scalar(255,0,0),2,8,0);
line(draw,Point(DRAW_BIN_W*(i-1),DRAW_H-cvRound(ghist.at<float>((i-1)))),Point(DRAW_BIN_W*(i),DRAW_H-cvRound(ghist.at<float>(i))),Scalar(0,255,0),2,8,0);
line(draw,Point(DRAW_BIN_W*(i-1),DRAW_H-cvRound(bhist.at<float>((i-1)))),Point(DRAW_BIN_W*(i),DRAW_H-cvRound(bhist.at<float>(i))),Scalar(0,0,255),2,8,0);
}
imshow("rgb_hist",draw);
draw=Mat::zeros(DRAW_W,DRAW_H,CV_8UC3);//每画完一次直方图后都进行一次清0操作
comp=false;
}
rectangle(frame,selectROI,Scalar(0,255,0),2,8);//手动选定一次就显示一次
}//end tracking
rectangle(frame,preselectROI,Scalar(0,0,255),5,8);//初始的选定目标一直不变
imshow("camera",frame);
//键盘响应
char c = (char)waitKey(10);
if( c == 27 )
break;
switch(c)
{
case 'p'://暂停键
pause = !pause;
break;
default:
;
}
}//end while;
return 0;
}
实验结果：
选定框内的模板用红色框标出，其他待比较的模板用绿色框标出。
模板图像块的简单直方图(rgb分开画的)显示如下：
第一次比较结果图：
第二次比较结果图：
第三次比较结果图(2个框选定的基本重合)：
三次比较相似度结果：
可以看出，第三次的框与标准框内图像(即第1次选定的图像区域)的相似度值最大。
总结：是不是可以通过直方图来完成图像匹配的操作！？
normalize¶
Normalizes the norm or value range of an array.
-
C++:
void
normalize
(InputArray
src, OutputArray
dst, double
alpha=1, double
beta=0, int
norm_type=NORM_L2, int
dtype=-1, InputArray
mask=noArray()
)
¶
-
C++:
void
normalize
(const SparseMat&
src, SparseMat&
dst, double
alpha, int
normType
)
¶
-
Python:
cv2.
normalize
(src
[, dst
[, alpha
[, beta
[, norm_type
[, dtype
[, mask
]
]
]
]
]
]
) → dst
¶
-
Parameters: - src – input array.
- dst – output array of the same size as src .
- alpha – norm value to normalize to or the lower range boundary in case of the range normalization.
- beta – upper range boundary in case of the range normalization; it is not used for the norm normalization.
- normType – normalization type (see the details below).
- dtype – when negative, the output array has the same type assrc; otherwise, it has the same number of channels assrc and the depth =CV_MAT_DEPTH(dtype).
- mask – optional operation mask.
注：当norm_type为NORM_MINMAX时，alpha为最小值；beta为最大值
The functions normalize scale and shift the input array elements so that
(where p=Inf, 1 or 2) when normType=NORM_INF,NORM_L1, orNORM_L2, respectively; or so that
when normType=NORM_MINMAX (for dense arrays only). The optional mask specifies a sub-array to be normalized. This means that the norm or min-n-max are calculated over the sub-array, and then this sub-array is modified to be normalized. If you want to only use the mask to calculate the norm or min-max but modify the whole array, you can usenorm() andMat::convertTo().
In case of sparse matrices, only the non-zero values are analyzed and transformed. Because of this, the range transformation for sparse matrices is not allowed since it can shift the zero level.
See also
norm(),Mat::convertTo(),SparseMat::convertTo()
2626
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
