OpenCV成长之路(5)：图像直方图的应用

转自：http://blog.csdn.net/cv_ronny/article/details/17549233

正如第4篇文章所说的图像直方图在特征提取方面有着很重要的作用，本文将举两个实际工程中非常实用的例子来说明图像直方图的应用。

一、直方图的反向映射。

我们以人脸检测举例，在人脸检测中，我们第一步往往需要先提取图像中皮肤区域来缩小人脸的检测范围，这一般获得皮肤的颜色范围还需要定义阈值并不断的调整，实际中参数太多而不容易控制。

这里我们就可以考虑用直方图的反射映射。

1，收集人脸皮肤样本。

2，拼合样本并计算其颜色直方图。

3，将得到的样本颜色直方图反射映射到待检测的图片中，然后进行阈值化即可。

这里为了简单起见，我们只用两张人脸样本，实际中可以进一步扩展。

在提取样本皮肤的直方图时，我们需要对这些样本图像做一些处理，比如把头发、眼睛等部位去除，我们这里使用一个mask即可。

由于我们要计算彩色直方图像，为了简化色彩，我们还需要对颜色降维，相关函数在本系列文章第2篇中已经有介绍了。

int main()
{
    Mat face=imread("../face.png");        // 样本
    Mat ImgSrc=imread("../img.png");    // 待检测的图像

    //图像降维
    colorReduce(face,face,32);
    colorReduce(ImgSrc,ImgSrc,32);
    
    // 计算颜色直方图
    const int channels[3]={0,1,2};
    const int histSize[3]={256,256,256};
    float hranges[2]={0,255};
    const float* ranges[3]={hranges,hranges,hranges};
    MatND hist;
    calcHist(&face,1,channels,Mat(),hist,3,histSize,ranges);
    // 直方图归一化
    normalize(hist,hist,1.0);

    // 直方图反向映射
    Mat result;
    calcBackProject(&ImgSrc,1,channels,hist,result,ranges,255);
    // 将结果进行阈值化
    threshold(result,result,255*(0.05),255,THRESH_BINARY);
    return 0;
}

上面程序中有以下几点值得说明：

1，在作彩色图像直方图的反向映射时，一般需要对图像颜色进行降维。

2，OpenCV中提供的函数clacBackProject用于计算直方图的反向映射，其参数和计算直方图的参数大体相同。

3，threshold是一个阈值化的函数。

二、图像相似性的比较

图像相似性比较是比上面直方图映射更加实用且普通的例子，前段时间淘宝或百度推出类似搜图的功能都离不开图像相似性判断这个话题，当然本文这里面不可能去深入探讨那些解决方案的实现，只是利用OpenCV中的例程来简单的实现图片的匹配。 下面我们来计算两幅图像之间的相似度：我们以左边一幅图像作为参考图像，是没有车辆停放时的图像，右边两幅跟左边比较计算相似性。中间一幅是有车辆停放时，右边一幅是另一个时刻没有车辆停放时。

这个例子实际可以应用在停车位上车辆检测上面：

int main()
{
    Mat refImg=imread("../ref.png");
    Mat image1=imread("../image1.png");
    Mat image2=imread("../image2.png");
    
    ColorHistogram imgHist;
    //图像颜色降维
    refImg=imgHist.colorReduce(refImg,64);
    image1=imgHist.colorReduce(image1,64);
    image2=imgHist.colorReduce(image2,64);

    MatND refH=imgHist.getHistogram(refImg);
    MatND hist1=imgHist.getHistogram(image1);
    MatND hist2=imgHist.getHistogram(image2);

    double dist1,dist2;
    dist1=compareHist(refH,hist1,CV_COMP_BHATTACHARYYA);
    dist2=compareHist(refH,hist2,CV_COMP_BHATTACHARYYA);

    std::cout<<"dist1="<<dist1<<",dist2="<<dist2<<std::endl;
    return 0;
}

最终输出结果为：

dist1=0.69

dist2=0.08

上面程序中有以下几点值得说明：

1，程序中ColorHistogram是自定义的一个类，其中包括了直方图求取与图像的颜色降维，

2，直方图的比较函数为compareHist(refH,imgH,CV_COMP_XX)，最后一个参数是两个矢量间距离计算的方法。

自己写的程序如下：

// learn_opencv5.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "iostream"
using namespace cv;
using namespace std;


class ColorHistogram
{
public:
	Mat colorReduce(const Mat& image,int div);
	MatND getHistogram(const Mat& Image);

};

Mat ColorHistogram::colorReduce(const Mat& image, int div)
{
	// 创建与原图像等尺寸的图像  
	Mat outImage;
	outImage.create(image.size(), image.type());
	int nr = image.rows;
	// 将3通道转换为1通道  
	int nl = image.cols*image.channels();
	for (int k = 0; k<nr; k++)
	{
		// 每一行图像的指针  
		const uchar* inData = image.ptr<uchar>(k);
		uchar* outData = outImage.ptr<uchar>(k);
		for (int i = 0; i<nl; i++)
		{
			outData[i] = inData[i] / div*div + div / 2;
		}
	}
	return outImage;
}

MatND ColorHistogram::getHistogram(const Mat& Image)
{
	/*cvtColor(Image, Image, CV_BGR2GRAY);

	const int channels[1] = { 0 };
	const int histSize[1] = { 256 };
	float hranges[2] = { 0, 255 };
	const float* ranges[1] = { hranges };
	MatND hist;
	calcHist(&Image, 1, channels, Mat(), hist, 1, histSize, ranges);*/

	const int channels[3] = { 0, 1, 2 };//需要是对彩色图求直方图
	const int histSize[3] = { 256, 256, 256 };
	float hranges[2] = { 0, 255 };
	const float* ranges[3] = { hranges, hranges, hranges };
	MatND hist;
	calcHist(&Image, 1, channels, Mat(), hist, 3, histSize, ranges);
	return hist;
}

//直方图的反向映射
//int main()
//{
//	Mat face = imread("sample2.png");        // 样本
//	Mat ImgSrc = imread("girl.png");    // 待检测的图像
//
//	//图像降维
//	colorReduce(face, face, 32);
//	colorReduce(ImgSrc, ImgSrc, 32);
//
//	// 计算颜色直方图
//	const int channels[3] = { 0, 1, 2 };
//	const int histSize[3] = { 256, 256, 256 };
//	float hranges[2] = { 0, 255 };
//	const float* ranges[3] = { hranges, hranges, hranges };
//	MatND hist;
//	calcHist(&face, 1, channels, Mat(), hist, 3, histSize, ranges);
//	// 直方图归一化
//	normalize(hist, hist, 1.0);
//
//	// 直方图反向映射
//	Mat result;
//	calcBackProject(&ImgSrc, 1, channels, hist, result, ranges, 255);
//	// 将结果进行阈值化
//	threshold(result, result, 255 * (0.05), 255, THRESH_BINARY);
//	imshow("reslut",result);
//	waitKey();
//	return 0;
//}

//图像相似性的比较
int main()
{
	Mat refImg = imread("3.png");
	Mat image1 = imread("1.png");
	Mat image2 = imread("2.png");

	ColorHistogram imgHist;
	//图像颜色降维
	refImg = imgHist.colorReduce(refImg, 64);
	image1 = imgHist.colorReduce(image1,64);
	image2 = imgHist.colorReduce(image2,64);

	MatND refH = imgHist.getHistogram(refImg);//需要是对彩色图求直方图
	MatND hist1 = imgHist.getHistogram(image1);
	MatND hist2 = imgHist.getHistogram(image2);

	double dist1, dist2;
	dist1 = compareHist(refH, hist1, CV_COMP_BHATTACHARYYA);
	dist2 = compareHist(refH, hist2, CV_COMP_BHATTACHARYYA);

	std::cout << "dist1=" << dist1 << ",dist2=" << dist2 << std::endl;
	getchar();
	return 0;
}