在进行物体图像和视频信息分析的过程中,我们常常会习惯于将眼中看到的物体用直方图(histogram)表示出来,得到比较直观的数据官感展示。直方图可以用来描述各种不同的参数和事物,如物体的色彩分布、物体边缘梯度模板,以及表示目标位置的当前假设的概率分布。
一、直方图
1.1 概述
直方图广泛运用于很多计算机视觉运用当中,通过标记帧与帧之间显著的边缘和颜色的统计变化,来检测视频中场景的变化。在每个兴趣点设置一个有相近·特征的直方图所构成“标签”,用以确定图像中的兴趣点。边缘、色彩、角度等直方图构成了可以被传递给目标识别分类器的一个通用特征类型。色彩和边缘的直方图序列还可以用来识别网络视频是否被复制。
其实,简单点说,直方图就是对数据进行统计的一种方法,并且将统计值组织到一系列事先定义好的bin当中。其中, bin为直方图中经常用到的一个概念,可翻译为“直条”或“组距”,其数值是从数据中计算出的特征统计量,这些数据可以是诸如梯度、方向、色彩或任何其他特征。且无论如何,直方图获得的是数据分布的统计图。通常直方图的维数要低于原始数据。总而言之,直方图是计算机视觉中最经典的工具之一。
在统计学中,直方图(Histogram)是一种对数据分布情况的图形表示,是一种二维统计图表,它的两个坐标分别是统计样本和该样本对应的某个属性的度量。
我们在图像变换的那一章中讲过直方图的均衡化,它是通过拉伸像素强度分布范围来增强图像对比度的一种方法。大家在自己的心目中应该已经对直方图有,一定的理解和认知。下面就来看一看对图像直方图比较书面化的解释。
图像直方图(Image Histogram)是用以表示数字图像中亮度分布的直方图,标绘了图像中每个亮度值的像素数。可以借助观察该直方图了解需要如何调整亮度分布。这种直方图中,横坐标的左侧为纯黑、较暗的区域,而右侧为较亮、纯白的区域。因此,一张较暗图片的图像直方图中的数据多集中于左侧和中间部分,而整体明亮、只有少量阴影的图像则相反。计算机视觉领域常借助图像直方图来实现图像的二值化。
直方图的意义如下。
- 直方图是图像中像素强度分布的图形表达方式。
- 它统计了每一个强度值所具有的像素个数。
上面已经讲到,直方图是对数据的统计集合,并将统计结果分布于一系列预定义的bins中。这里的数据不仅仅指的是灰度值,且统计数据可能是任何能有效描述图像的特征。下面看一个例子,假设有一个矩阵包含一张图像的信息(灰度值0-255),让我们按照某种方式来统计这些数字。既然已知数字的范围包含256个值,于是可以将这个范围分割成子区域(也就是上面讲到bins),如:
然后再统计每一个bin,的像素数目。采用这一方法来统计上面的数字矩阵,可以得到下图 (其中x轴表示bin, y轴表示各个bin中的像素个数)。
以上就是一个说明直方图的用途的简单示例。其实,直方图并不局限于统计颜色灰度, 而是可以统计任何图像特征,如梯度、方向等。
让我们具体讲讲直方图的一些术语和细节。
- dims:需要统计的特征的数目。在上例中, dims =1因为我们仅仅统计了灰度值(灰度图像)。
- bins:每个特征空间子区段的数目,可翻译为“直条”或“组距”。在上例中, bins =16
- range:每个特征空间的取值范围。在上例中, range =[0,255]
1.2 计算与绘制
直方图的计算在OpenCV中可以使用calcHist()函数,而计算完成之后,可以采用OpenCV中的绘图函数,如绘制矩形的rectangle()函数,绘制线段的line()来完成.
1.2.1 计算直方图: calcHist()函数
在OpenCV中, calcHist()函数用于计算一个或者多个阵列的直方图。原型如下。
C++: void calcHist (const Mat* images, int nimages, const int* channels, InputArray mask, OutputArray hist, int dims, const int* histsize, const float** ranges, bool uniform=true, bool accumulate=false ).
- 第一个参数, const Mat*类型的images,输入的数组(或数组集),它们需为相同的深度(CV_8U或CV_32F)和相同的尺寸。
- 第二个参数, int类型的nimages,输入数组的个数,也就是第一个参数中存放了多少张“图像”,有几个原数组。
- 第三个参数, const int*类型的channels,需要统计的通道(dim)索引。第一个数组通道从0到images[0].channels()-1,而第二个数组通道从images[0].channels()计算到images[0].channels()+images[1].channels()-1.
- 第四个参数, InputArray类型的mask,可选的操作掩码。如果此掩码不为空,那么它必须为8位,并且与imagestj]有同样大小的尺寸。这里的非零掩码元素用于标记出统计直方图的数组元素数据。
- 第五个参数, OutputArray类型的hist,输出的目标直方图,一个二维数组。
- 第六个参数, int类型的dims,需要计算的直方图的维度,必须是正数,且不大于CV_MAX_DIMS (在当前版本的OpenCV中等于32)
- 第七个参数, const int*类型的histsize,存放每个维度的直方图尺寸的数组。
- 第八个参数, const float**类型的ranges,表示每一个维度数组(第六个参数dims)的每一维的边界阵列,可以理解为每一维数值的取值范围。
- 第九个参数, bool类型的uniform,指示直方图是否均勺的标识符,有默认值true.
- 第十个参数, bool类型的accumulate,累计标识符,有默认值false。若其为true,直方图在配置阶段不会被清零。此功能主要是允许从多个阵列中计算单个直方图,或者用于在特定的时间更新直方图。
1.2.2 找寻最值: minMaxLoc()函数
minMaxLoc()函数的作用是在数组中找到全局最小值和最大值。它有两个版本的原型,在此介绍常用的那一个版本。
C++: void minMaxLoc(InputArray src, double* minval, double* maxVal-0,Point* minLoc=0, Point* maxLoc=0, InputArray mask=noArray())·
- 第一个参数, InputArray类型的src,输入的单通道阵列。
- 第二个参数, double*类型的minVal,返回最小值的指针。若无须返回,此值置为NULL.
- 第三个参数, double*类型的maxVal,返回的最大值的指针。若无须返回,此值置为NULL.
- 第四个参数, Point*类型的minLoc,返回最小位置的指针(二维情况下)。若无须返回,此值置为NULL
- 第五个参数, Point*类型的maxLoc,返回最大位置的指针(二维情况下)。若无须返回,此值置为NULL。
- 第六个参数, InputArray类型的mask,用于选择子阵列的可选掩膜。
1.3 H-S二维直方图的绘制
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;
int main()
{
//【1】载入源图,转化为HSV颜色模型
Mat srcImage, hsvImage;
srcImage = imread("F:\\CV\\LearnCV\\files\\Zelda.jpg");
cvtColor(srcImage, hsvImage, COLOR_BGR2HSV);
//【2】参数准备
//将色调量化为30个等级,将饱和度量化为32个等级
int hueBinNum = 30;//色调的直方图直条数量
int saturationBinNum = 32;//饱和度的直方图直条数量
int histSize[] = { hueBinNum, saturationBinNum };
// 定义色调的变化范围为0到179
float hueRanges[] = { 0, 180 };
//定义饱和度的变化范围为0(黑、白、灰)到255(纯光谱颜色)
float saturationRanges[] = { 0, 256 };
const float* ranges[] = { hueRanges, saturationRanges };
MatND dstHist;
//参数准备,calcHist函数中将计算第0通道和第1通道的直方图
int channels[] = { 0, 1 };
//【3】正式调用calcHist,进行直方图计算
calcHist(&hsvImage,//输入的数组
1, //数组个数为1
channels,//通道索引
Mat(), //不使用掩膜
dstHist, //输出的目标直方图
2, //需要计算的直方图的维度为2
histSize, //存放每个维度的直方图尺寸的数组
ranges,//每一维数值的取值范围数组
true, // 指示直方图是否均匀的标识符,true表示均匀的直方图
false);//累计标识符,false表示直方图在配置阶段会被清零
//【4】为绘制直方图准备参数
double maxValue = 0;//最大值
minMaxLoc(dstHist, 0, &maxValue, 0, 0);//查找数组和子数组的全局最小值和最大值存入maxValue中
int scale = 10;
Mat histImg = Mat::zeros(saturationBinNum*scale, hueBinNum * 10, CV_8UC3);
//【5】双层循环,进行直方图绘制
for (int hue = 0; hue < hueBinNum; hue++)
for (int saturation = 0; saturation < saturationBinNum; saturation++)
{
float binValue = dstHist.at<float>(hue, saturation);//直方图组距的值
int intensity = cvRound(binValue * 255 / maxValue);//强度
//正式进行绘制
rectangle(histImg, Point(hue*scale, saturation*scale),
Point((hue + 1)*scale - 1, (saturation + 1)*scale - 1),
Scalar::all(intensity), FILLED);
}
//【6】显示效果图
imshow("素材图", srcImage);
imshow("H-S 直方图", histImg);
waitKey();
}
1.4 一维直方图的绘制
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
//【1】载入原图并显示
Mat srcImage = imread("F:\\CV\\LearnCV\\files\\Zelda.jpg", 0);
imshow("原图", srcImage);
if (!srcImage.data) { cout << "fail to load image" << endl; return 0; }
//【2】定义变量
MatND dstHist; // 在cv中用CvHistogram *hist = cvCreateHist
int dims = 1;
float hranges[] = { 0, 255 };
const float *ranges[] = { hranges }; // 这里需要为const类型
int size = 256;
int channels = 0;
//【3】计算图像的直方图
calcHist(&srcImage, 1, &channels, Mat(), dstHist, dims, &size, ranges); // cv 中是cvCalcHist
int scale = 1;
Mat dstImage(size * scale, size, CV_8U, Scalar(0));
//【4】获取最大值和最小值
double minValue = 0;
double maxValue = 0;
minMaxLoc(dstHist, &minValue, &maxValue, 0, 0); // 在cv中用的是cvGetMinMaxHistValue
//【5】绘制出直方图
int hpt = saturate_cast<int>(0.9 * size);
for (int i = 0; i < 256; i++)
{
float binValue = dstHist.at<float>(i); // 注意hist中是float类型 而在OpenCV1.0版中用cvQueryHistValue_1D
int realValue = saturate_cast<int>(binValue * hpt / maxValue);
rectangle(dstImage, Point(i*scale, size - 1), Point((i + 1)*scale - 1, size - realValue), Scalar(255));
}
imshow("一维直方图", dstImage);
waitKey(0);
return 0;
}
1.5 RGB三色直方图的绘制
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main()
{
//【1】载入素材图并显示
Mat srcImage;
srcImage = imread("F:\\CV\\LearnCV\\files\\Zelda.jpg");
imshow("素材图", srcImage);
//【2】参数准备
int bins = 256;
int hist_size[] = { bins };
float range[] = { 0, 256 };
const float* ranges[] = { range };
MatND redHist, grayHist, blueHist;
int channels_r[] = { 0 };
//【3】进行直方图的计算(红色分量部分)
calcHist(&srcImage, 1, channels_r, Mat(), //不使用掩膜
redHist, 1, hist_size, ranges,
true, false);
//【4】进行直方图的计算(绿色分量部分)
int channels_g[] = { 1 };
calcHist(&srcImage, 1, channels_g, Mat(), // do not use mask
grayHist, 1, hist_size, ranges,
true, // the histogram is uniform
false);
//【5】进行直方图的计算(蓝色分量部分)
int channels_b[] = { 2 };
calcHist(&srcImage, 1, channels_b, Mat(), // do not use mask
blueHist, 1, hist_size, ranges,
true, // the histogram is uniform
false);
//-----------------------绘制出三色直方图------------------------
//参数准备
double maxValue_red, maxValue_green, maxValue_blue;
minMaxLoc(redHist, 0, &maxValue_red, 0, 0);
minMaxLoc(grayHist, 0, &maxValue_green, 0, 0);
minMaxLoc(blueHist, 0, &maxValue_blue, 0, 0);
int scale = 1;
int histHeight = 256;
Mat histImage = Mat::zeros(histHeight, bins * 3, CV_8UC3);
//正式开始绘制
for (int i = 0; i < bins; i++)
{
//参数准备
float binValue_red = redHist.at<float>(i);
float binValue_green = grayHist.at<float>(i);
float binValue_blue = blueHist.at<float>(i);
int intensity_red = cvRound(binValue_red*histHeight / maxValue_red); //要绘制的高度
int intensity_green = cvRound(binValue_green*histHeight / maxValue_green); //要绘制的高度
int intensity_blue = cvRound(binValue_blue*histHeight / maxValue_blue); //要绘制的高度
//绘制红色分量的直方图
rectangle(histImage, Point(i*scale, histHeight - 1),
Point((i + 1)*scale - 1, histHeight - intensity_red),
Scalar(255, 0, 0));
//绘制绿色分量的直方图
rectangle(histImage, Point((i + bins)*scale, histHeight - 1),
Point((i + bins + 1)*scale - 1, histHeight - intensity_green),
Scalar(0, 255, 0));
//绘制蓝色分量的直方图
rectangle(histImage, Point((i + bins * 2)*scale, histHeight - 1),
Point((i + bins * 2 + 1)*scale - 1, histHeight - intensity_blue),
Scalar(0, 0, 255));
}
//在窗口中显示出绘制好的直方图
imshow("图像的RGB直方图", histImage);
waitKey(0);
return 0;
}
二、直方图对比
对于直方图来说,一个不可或缺的工具便是用某些具体的标准来比较两个直方图的相似度。要对两个直方图(比如说H,和H2)进行比较,首先必须选,择一个衡量直方图相似度的对比标准(d(H,H2)。在OpenCV 2.X中,我们用compareHist()函数来对比两个直方图的相似度,而此函数的返回值就是d(H,H2)。
2.1 对比直方图: compareHist()函数
compareHist()函数用于对两幅直方图进行比较。有两个版本的C+原型,如下。
C++: double compareHist (InputArray Hl, InputArray H2, int method)
C++: double compareHist (const SparseMat& Hl, const SparseMat& H2, int method)
它们的前两个参数是要比较的大小相同的直方图,第三个变量是所选择的距离标准。可采用如下4种方法,比较两个直方图(HI表示第一个, H2表示第二个):
-
相关, Correlation (method=CV_COMP_CORREL)
其中,
且N等于直方图中bin (译为“直条”或“组距”)的个数。 -
卡方, Chi-Square (method=CV_COMP_CHISQR)
-
直方图相交, Intersection(method=CV_COMP_INTERSECT)
-
Bhattacharyya 距离(method=CV_COMP_BHATTACHARYYA)
这里的Bhattacharyya距离和Hellinger距离相关,也可以写作method=CV _COMP_HELLINGER
2.2 示例程序
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;
int main()
{
system("color");
//【1】声明储存基准图像和另外两张对比图像的矩阵( RGB 和 HSV )
Mat srcImage_base, hsvImage_base;
Mat srcImage_test1, hsvImage_test1;
Mat srcImage_test2, hsvImage_test2;
Mat hsvImage_halfDown;
//【2】载入基准图像(srcImage_base) 和两张测试图像srcImage_test1、srcImage_test2,并显示
srcImage_base = imread("F:\\CV\\LearnCV\\files\\t.jpg", 1);
srcImage_test1 = imread("F:\\CV\\LearnCV\\files\\t1.jpg", 1);
srcImage_test2 = imread("F:\\CV\\LearnCV\\files\\t2.jpg", 1);
//显示载入的3张图像
imshow("基准图像", srcImage_base);
imshow("测试图像1", srcImage_test1);
imshow("测试图像2", srcImage_test2);
// 【3】将图像由BGR色彩空间转换到 HSV色彩空间
cvtColor(srcImage_base, hsvImage_base, COLOR_BGR2HSV);
cvtColor(srcImage_test1, hsvImage_test1, COLOR_BGR2HSV);
cvtColor(srcImage_test2, hsvImage_test2, COLOR_BGR2HSV);
//【4】创建包含基准图像下半部的半身图像(HSV格式)
hsvImage_halfDown = hsvImage_base(Range(hsvImage_base.rows / 2, hsvImage_base.rows - 1), Range(0, hsvImage_base.cols - 1));
//【5】初始化计算直方图需要的实参
// 对hue通道使用30个bin,对saturatoin通道使用32个bin
int h_bins = 50; int s_bins = 60;
int histSize[] = { h_bins, s_bins };
// hue的取值范围从0到256, saturation取值范围从0到180
float h_ranges[] = { 0, 256 };
float s_ranges[] = { 0, 180 };
const float* ranges[] = { h_ranges, s_ranges };
// 使用第0和第1通道
int channels[] = { 0, 1 };
// 【6】创建储存直方图的 MatND 类的实例:
MatND baseHist;
MatND halfDownHist;
MatND testHist1;
MatND testHist2;
// 【7】计算基准图像,两张测试图像,半身基准图像的HSV直方图:
calcHist(&hsvImage_base, 1, channels, Mat(), baseHist, 2, histSize, ranges, true, false);
normalize(baseHist, baseHist, 0, 1, NORM_MINMAX, -1, Mat());
calcHist(&hsvImage_halfDown, 1, channels, Mat(), halfDownHist, 2, histSize, ranges, true, false);
normalize(halfDownHist, halfDownHist, 0, 1, NORM_MINMAX, -1, Mat());
calcHist(&hsvImage_test1, 1, channels, Mat(), testHist1, 2, histSize, ranges, true, false);
normalize(testHist1, testHist1, 0, 1, NORM_MINMAX, -1, Mat());
calcHist(&hsvImage_test2, 1, channels, Mat(), testHist2, 2, histSize, ranges, true, false);
normalize(testHist2, testHist2, 0, 1, NORM_MINMAX, -1, Mat());
//【8】按顺序使用4种对比标准将基准图像的直方图与其余各直方图进行对比:
for (int i = 0; i < 4; i++)
{
//进行图像直方图的对比
int compare_method = i;
double base_base = compareHist(baseHist, baseHist, compare_method);
double base_half = compareHist(baseHist, halfDownHist, compare_method);
double base_test1 = compareHist(baseHist, testHist1, compare_method);
double base_test2 = compareHist(baseHist, testHist2, compare_method);
//输出结果
printf(" 方法 [%d] 的匹配结果如下:\n\n 【基准图 - 基准图】:%f, 【基准图 - 半身图】:%f,【基准图 - 测试图1】: %f, 【基准图 - 测试图2】:%f \n-----------------------------------------------------------------\n", i, base_base, base_half, base_test1, base_test2);
}
printf("检测结束。");
waitKey(0);
return 0;
}