1.直方图反向投影原理
直方图反向投影用于图像分割或查找图像中感兴趣的对象,简单来说,它会创建一个与输入图像大小相同(单个通道)的图像,其中每个像素对应于属于我们对象该像素的概率.输出图像将使我们感兴趣的对象比其余部分更明显。
首先,我们创建一个包含我们感兴趣对象的图像的直方图,对象应尽可能填充图像以获得更好的结果,颜色直方图比灰度直方图更受青睐,因为对象的颜色比灰度强度更能定义对象,然后我们将这个直方图“反投影”到我们需要找到对象的测试图像上。
2.2D直方图的制作与显示
在直方图反向投影中,要在HSV色彩空间中绘制其直方图,代码为:
def hist2D_demo(image):
hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)
hist = cv.calcHist([image], [0, 1], None, [180, 256], [0, 180, 0, 256])
cv.imshow("hist2D", hist)
其效果为:
这样就绘制出了美杜莎女王的2D直方图,只不过比较简单粗暴。
我们还可以使用绘图库来进行绘制,其代码为:
def hist2D_demo(image):
hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)
hist = cv.calcHist([image], [0, 1], None, [180, 256], [0, 180, 0, 256])
plt.imshow(hist, interpolation='nearest') # 直方图的显示
plt.title("2D Histogram")
plt.show()
得到的结果为:
这样显示出来的就稍微要好看一点。
3.直方图反向映射
首先我们要读取两张图像,一张是目标图像,一张是感兴趣区域图像,然后把它们转化到HSV色彩空间,接着,我们要计算感兴趣区域的直方图,之后再归一化到0-255之间,最后我们要使用到一个API,叫calcBackProjection,
cv2.calcBackProjection(images, channels, hist, ranges, scale, dst)
images:输入图像,必须加[]
channels:用于计算反向投影的通道列表,通道数必须与直方图维度相匹配
hist:输入的直方图,直方图的bin可以是密集(dense)或稀疏(sparse)
ranges:直方图中每个维度bin的取值范围
scale:可选输出反向投影的比例因子
dst:目标图像
其代码为:
def back_projection_demo(): # 直方图反向投影的生成
sample = cv.imread("D:/opencv3/image/lenaT1.png")
target = cv.imread("D:/opencv3/image/lena.png")
roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV) # 感兴趣区域转HSV
target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV) # 目标区域转HSV
cv.imshow("sample", sample)
cv.imshow("target", target)
roiHist = cv.calcHist([roi_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
cv.normalize(roiHist, roiHist, 0, 255, cv.NORM_MINMAX)
dst = cv.calcBackProject([target_hsv], [0, 1], roiHist, [0, 180, 0, 256], 1)
cv.imshow("backProjection_Demo", dst)
感兴趣图像为:
目标图像为:
经过直方图反向投影后的效果为:
我们还可以调一调参数,将calcHist里的[180, 256]改成[36, 48],其效果为:
与上图比起,投影更加清晰。
完整代码
import cv2 as cv # 导入opencv模块
import numpy as np # 导入数学函数库
from matplotlib import pyplot as plt
def back_projection_demo(): # 直方图反向投影的生成
sample = cv.imread("D:/opencv3/image/lenaT1.png")
target = cv.imread("D:/opencv3/image/lena.png")
roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV) # 感兴趣区域转HSV
target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV) # 目标区域转HSV
cv.imshow("sample", sample)
cv.imshow("target", target)
roiHist = cv.calcHist([roi_hsv], [0, 1], None, [36, 48], [0, 180, 0, 256])
cv.normalize(roiHist, roiHist, 0, 255, cv.NORM_MINMAX)
dst = cv.calcBackProject([target_hsv], [0, 1], roiHist, [0, 180, 0, 256], 1)
"""
cv2.calcBackProjection(images, channels, hist, ranges, scale, dst)
images:输入图像,必须加[]
channels:用于计算反向投影的通道列表,通道数必须与直方图维度相匹配
hist:输入的直方图,直方图的bin可以是密集(dense)或稀疏(sparse)
ranges:直方图中每个维度bin的取值范围
scale:可选输出反向投影的比例因子
dst:目标图像
"""
cv.imshow("backProjection_Demo", dst)
def hist2D_demo(image): # 2D直方图的制作与显示
hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)
hist = cv.calcHist([image], [0, 1], None, [180, 256], [0, 180, 0, 256])
# hist = cv.calcHist([image], [0, 1], None, [36, 48], [0, 180, 0, 256]) # 图像直方图获取
# cv.imshow("hist2D", hist)
plt.imshow(hist, interpolation='nearest') # 直方图的显示
plt.title("2D Histogram")
plt.show()
print("------------hello python!------------")
# src = cv.imread("D:/opencv3/image/mds.jpg")
# cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)
# cv.imshow("input_image", src)
# hist2D_demo(src)
back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows() # 释放所有窗口