1.目的
(1)什么是反向投影,它可以实现什么功能?
(2)如何使用OpenCV函数 calcBackProject 计算反向投影?
(3)如何使用OpenCV函数 mixChannels 组合图像的不同通道?
2.原理
[1]反向投影
(1)反向投影是一种记录给定图像中的像素点如何适应直方图模型像素分布的方式。
(2)简单的讲, 所谓反向投影就是首先计算某一特征的直方图模型,然后使用模型去寻找图像中存在的该特征。
(3)例如有一个肤色直方图 ( Hue-Saturation 直方图 ),你可以用它来寻找图像中的肤色区域
[2]工作原理
假设你已经通过下图得到一个肤色直方图(Hue-Saturation),旁边的直方图就是 模型直方图 ( 代表手掌的皮肤色调)。
我们要做的就是使用 模型直方图 (代表手掌的皮肤色调) 来检测测试图像中的皮肤区域。以下是检测的步骤
(1)对测试图像中的每个像素 ( P(i,j) ),获取色调数据并找到该色调( h(i,j),s(i,j) )在直方图中的bin的位置。
(2)查询模型直方图 中对应的bin - ( h(i,j),s(i,j) ) - 并读取该bin的数值。
(3)将此数值储存在新的图像中(BackProjection)。 你也可以先归一化 模型直方图 ,这样测试图像的输出就可以在屏幕显示了。
(4)通过对测试图像中的每个像素采用以上步骤, 我们得到了下面的 BackProjection 结果图:
(5)使用统计学的语言, BackProjection 中储存的数值代表了测试图像中该像素属于皮肤区域的概率 。比如以上图为例, 亮起的区域是皮肤区域的概率更大(事实确实如此),而更暗的区域则表示更低的概率(注意手掌内部和边缘的阴影影响了检测的精度)
3.部分代码解释
(1)mixChannels
/*
mixChannels参数解释
src:输入图像数组
count:输入图像数量
dst:目的图像
count:目的图像数量
from_to:配对数组
pair_count: 配对数组数量
*/
mixChannels( &hsv, 1, &hue, 1, ch, 1 );
(2)calcBackProject
/*
calcBackProject参数解释
hue:输入图像数组
1:图像数组中图像个数
0:用于计算反向投影的通道索引,与直方图对应
hist:直方图
backproj:反向投影矩阵(结果图)
range:直方图bins的范围
scale:反向投影结果的缩放因子
uniform:直方图是否是均匀的
*/
calcBackProject( &hue, 1, 0, hist, backproj, &ranges, scale, uniform );
4.完整代码
(1)CommonInclude.h
#ifndef COMMON_INCLUDE
#define COMMON_INCLUDE
#include<iostream>
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
#endif
(2)BackProject.cpp
#include"CommonInclude.h"
/// 全局变量
Mat src; Mat hsv; Mat hue;
int bins = 25;
/**
* @函数 Hist_and_Backproj
* @简介:Trackbar事件的回调函数
*/
void Hist_and_Backproj(int, void* )
{
MatND hist;
int histSize = MAX( bins, 2 );
float hue_range[] = { 0, 180 };
const float* ranges = { hue_range };
/// 计算直方图并归一化
calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false );
normalize( hist, hist, 0, 255, NORM_MINMAX, -1, Mat() );
/// 计算反向投影
MatND backproj;
/*
calcBackProject参数解释
hue:输入图像数组
1:图像数组中图像个数
0:用于计算反向投影的通道索引,与直方图对应
hist:直方图
backproj:反向投影矩阵(结果图)
range:直方图bins的范围
scale:反向投影结果的缩放因子
uniform:直方图是否是均匀的
*/
calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true );
/// 显示反向投影
imshow( "BackProj", backproj );
/// 显示直方图
int w = 400; int h = 400;
int bin_w = cvRound( (double) w / histSize );
Mat histImg = Mat::zeros( w, h, 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<float>(i)*h/255.0 ) ), Scalar( 0, 0, 255 ), -1 ); }
imshow( "Histogram", histImg );
}
/** @函数 main */
int main( int argc, char** argv )
{
if(argc<2){
cout << "more parameters are required!!!" << endl;
return(-1);
}
/// 读取图像
src = imread( argv[1], 1 );
if(!src.data){
cout << "error to read image!!!" << endl;
return(-1);
}
/// 转换到 HSV 空间
cvtColor( src, hsv, CV_BGR2HSV );
/// 分离 Hue 通道
hue.create( hsv.size(), hsv.depth() );
int ch[] = { 0, 0 };
/*
mixChannels参数解释
src:输入图像数组
count:输入图像数量
dst:目的图像
count:目的图像数量
from_to:配对数组
pair_count: 配对数组数量
*/
mixChannels( &hsv, 1, &hue, 1, ch, 1 );
/// 创建 Trackbar 来输入bin的数目
char window_image[] = "Source image";
namedWindow( window_image, CV_WINDOW_AUTOSIZE );
createTrackbar("* Hue bins: ", window_image, &bins, 180, Hist_and_Backproj );
Hist_and_Backproj(0, 0);
/// 现实图像
imshow( window_image, src );
/// 等待用户反应
waitKey(0);
return 0;
}