学习opencv day6

1、计算图像直方图

bin

直方图是一个简单的表格，表示一幅图像（有时是一组图像）中具有某个值的像素的数量。因此，灰度图像的直方图有 256 个项目，也叫箱子（bin）。0 号箱子提供值为 0 的像素的数量，1 号箱子提供值为 1 的像素的数量，以此类推。很明显，如果把直方图的所有箱子进行累加，得到的结果就是像素的总数。你也可以把直方图归一化，即所有箱子的累加和等于 1。这时，每个箱子的数值表示对应的像素数量占总数的百分比。

cv::calcHist函数

 // 用 calcHist 函数计算一维直方图
 cv::calcHist(&image, 1, // 仅为一幅图像的直方图
			 channels, // 使用的通道
			 cv::Mat(), // 不使用掩码 mask 	InputArray
			 hist, // 作为结果的直方图 		OutputArray 
			 1, // 这是一维的直方图 dims
			 histSize, // 箱子数量 const int * 
			 ranges // 像素值的范围 const float **
			 bool uniform=true
			 //是否对得到的直方图数组进行归一化处理
			 bool accumulate=false
			 //在多个图像时，是否累计计算像素值得个数

cv::minMaxLoc

cv::minMaxLoc(hist, &minVal, &maxVal, 0, 0); 
//定义
void cv::minMaxLoc	(	InputArray 	src,
						double * 	minVal,
						double * 	maxVal = 0,
						//指向返回的最值的指针,NULL为不要求。
						Point * 	minLoc = 0,
						Point * 	maxLoc = 0,
						//指向返回最值的位置，NULL为不要求
						InputArray 	mask = noArray() 
)	

void cv::minMaxLoc	(	const SparseMat & 	a,
						double * 	minVal,
						double * 	maxVal,
						int * 	minIdx = 0,
						int * 	maxIdx = 0 
)	

cv::line

void cv::line	(	InputOutputArray 	img,
					Point 	pt1,
					Point 	pt2,
					const Scalar & 	color,
					int 	thickness = 1,//线宽
					int 	lineType = LINE_8,//线型
					int 	shift = 0 //小数位数
)	

cv::SparseMat

当图像是彩色图像时，可使用数据结构 cv::SparseMat 表示大型稀疏矩阵（即非零元素非常稀少的矩阵），这样不会消耗过多的内存。

cv::SparseMat img(int dims, const int* _sizes, int _type)
//使用数组参数构造函数，与mat类似
//dims为维度，_sizes为数组，表示每个维度大小，数组大小与维度一致
//_type代表的是数据类型，如：CV_8U 、CV_16U 、CV_32F等

2、查找表LUT

查找表是个一对一（或多对一）的函数，定义了如何把像素值转换成新的值。它是一个一维数组，对于规则的灰度图像，它包含 256 个项目。利用查找表的项目 i，可得到对应灰度级的新强度值，如下所示：

newIntensity= lookup[oldIntensity]; 

OpenCV 中的 cv::LUT 函数在图像上应用查找表生成一个新的图像。查找表通常根据直方图生成

3、直方图均衡化

OpenCV 提供了一个易用的函数，用于直方图均衡化处理。这个函数的调用方式为：

cv::equalizeHist(image,result); 

4、归一化

归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。
首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。
归一化的目的，是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。

void  normalize (InputArray  src, 
				InputOutputArray  dst, 
				double  alpha=1, 
				double  beta=0, 
				int  norm_type=NORM_L2, 
				int  dtype=-1, 
				InputArray  mask=noArray()  
)

e.g.

cv::normalize(histogram,histogram,1.0); 

5、反向投影函数calcBackProject

cv::calcBackProject(&image,
					 1, // 一幅图像
					 channels, // 用到的通道，取决于直方图的维度
					 histogram, // 需要反向投影的直方图
					 result, // 反向投影得到的结果
					 ranges, // 值的范围
					 255.0 // 选用的换算系数
					 // 把概率值从 1 映射到 255
); 

6、均值平移算法

// 用均值偏移法搜索物体
cv::TermCriteria criteria(
 		cv::TermCriteria::MAX_ITER | cv::TermCriteria::EPS,
 		10, // 最多迭代 10 次
		1); // 或者重心移动距离小于 1 个像素
cv::meanShift(result,rect,criteria); 

cv::TermCriteria::MAX_ITER | cv::TermCriteria::EPS：
同时满足迭代次数达到最大值（MAX_ITER）；窗口中心的偏移值小于某个限值（EPS），可认为该位置收敛到一个稳定点。

cv::meanShift(probImage, window, criteria)
//probImage: 概率分布图像，也就是ROI色调直方图的反向投影
//window： 初始搜索窗口，就是定义ROI的rect
//criteria:  确定窗口搜索停止的准则， 迭代次数达到设置的最大值；窗口中心的漂移值小于某个设定的限值

7、比较直方图计算相似图像

 cv::compareHist(refH,inputH, cv::HISTCMP_INTERSECT); 
//definition
double cv::compareHist	(	InputArray 	H1,
							InputArray 	H2,
							int 	method 
)	

方法：
交叉点方法（ cv::HISTCMP_INTERSECT ）。
卡方测量法（cv::HISTCMP_CHISQR 标志）累加各箱子的归一化平方差；
关联性算法（cv::HISTCMP_CORREL 标志）基于信号处理中的归一化交叉关联操作符测量两个信号的相似度；
Bhattacharyya 测量法（cv::HISTCMP_BHATTACHARYYA 标志）和 Kullback-Leibler发散度（cv::HISTCMP_KL_DIV 标志）

8、积分图像与积分直方图

使用积分图像统计图像感兴趣区域的像素是一种高效的方法。它在程序中的应用非常广泛，例如用于计算基于不同大小的滑动窗口。

自适应阈值化

将每个像素的值与邻域的平均值进行比较。如果某像素的值与它的局部平均值差别很大，就会被当作异常值在阈值化过程中剔除。
因此自适应阈值化需要计算每个像素周围的局部平均值。这需要多次计算图像窗口的累计值，可以通过积分图像提高计算效率。

cv::integral

void cv::integral	(	InputArray 	src,
						OutputArray 	sum,
						OutputArray 	sqsum,
						OutputArray 	tilted,
						int 	sdepth = -1,
						int 	sqdepth = -1 
)	

src，输入图像 W x H 8位浮点数或者32f，64f；
sum，积分图像必须为(W +1)x(H+1)，类型为32位或64位浮点数；
sqsum，平方像素值的积分图像，它是 (W +1)x(H+1)双精度64f数组；
titled，旋转45度的图像积分，它与sum相同数据类型；
sdepth，期望的积分深度和倾斜的积分图像，CV_32S,CV_32F或CV_64F；
sqdepth，要求的深度的积分图像的平方像素值，CV_32F或CV_64F。

e.g.

cv::integral(image,iimage,CV_32S);

自适应阈值化是一种常用的图像处理技术。OpenCV 中也实现了这种方法：

cv::adaptiveThreshold(image, // 输入图像
         			  binaryAdaptive, // 输出二值图像
 					  255, // 输出的最大值
 					  cv::ADAPTIVE_THRESH_MEAN_C, // 方法
 					  cv::THRESH_BINARY, // 阈值类型
 					  blockSize, // 块的大小
 					  threshold); // 使用的阈值

我们也可以用 OpenCV 的图像运算符来编写自适应阈值化过程。具体方法如下所示：

cv::Mat filtered;
cv::Mat binaryFiltered;
// boxFilter 计算矩形区域内像素的平均值
cv::boxFilter(image,filtered,CV_8U,cv::Size(blockSize,blockSize));
// 检查像素是否大于(mean + threshold)
binaryFiltered= image>= (filtered-threshold);