【OpenCV入门学习--python】直方图的比较

例子源于OpenCV官网–直方图的比较(https://docs.opencv.org/4.x/d8/dc8/tutorial_histogram_comparison.html)
使用函数cv::compareHist获得一个数值参数，表示两个直方图之间的匹配程度。
使用不同的度量来比较直方图

下述代码的功能：
1.加载一个基本图像和2个测试图像与它进行比较。
2.生成1个图像，即基础图像的下半部分
3.将图像转换为HSV格式
4.计算所有图像的H-S直方图，并将其归一化，以便进行比较。
5.将基准图像的直方图与2个测试直方图、下半基准图像的直方图和相同基准图像的直方图进行比较。
6.显示数值匹配参数获得。

代码：

from __future__ import print_function
from __future__ import division
import cv2 as cv
import numpy as np
import argparse

#加载基本图片(src_base)和其他两个测试图片:
parser = argparse.ArgumentParser(description='Code for Histogram Comparison tutorial.')
parser.add_argument('--input1', help='Path to input image 1.',default='Base_0.png')
parser.add_argument('--input2', help='Path to input image 2.',default='Test_1.png')
parser.add_argument('--input3', help='Path to input image 3.',default='Test_2.png')
args = parser.parse_args()
src_base = cv.imread(args.input1)
src_test1 = cv.imread(args.input2)
src_test2 = cv.imread(args.input3)
if src_base is None or src_test1 is None or src_test2 is None:
    print('Could not open or find the images!')
    exit(0)

    
#将它们转换为HSV格式:
hsv_base = cv.cvtColor(src_base, cv.COLOR_BGR2HSV)
hsv_test1 = cv.cvtColor(src_test1, cv.COLOR_BGR2HSV)
hsv_test2 = cv.cvtColor(src_test2, cv.COLOR_BGR2HSV)


#同时，创建一个一半的基础图像(在HSV格式):
hsv_half_down = hsv_base[hsv_base.shape[0]//2:,:]


#初始化参数来计算直方图(容器、范围和通道H和S)。
h_bins = 50
s_bins = 60
histSize = [h_bins, s_bins]
# hue varies from 0 to 179, saturation from 0 to 255
h_ranges = [0, 180]#色相从0到179
s_ranges = [0, 256]#饱和度从0到255
ranges = h_ranges + s_ranges # concat lists
# Use the 0-th and 1-st channels
channels = [0, 1]#使用第0和第1通道



#计算基图、2张测试图和半边基图的直方图:
hist_base = cv.calcHist([hsv_base], channels, None, histSize, ranges, accumulate=False)
cv.normalize(hist_base, hist_base, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_half_down = cv.calcHist([hsv_half_down], channels, None, histSize, ranges, accumulate=False)
cv.normalize(hist_half_down, hist_half_down, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_test1 = cv.calcHist([hsv_test1], channels, None, histSize, ranges, accumulate=False)
cv.normalize(hist_test1, hist_test1, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_test2 = cv.calcHist([hsv_test2], channels, None, histSize, ranges, accumulate=False)
cv.normalize(hist_test2, hist_test2, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)



#依次应用base图(hist_base)的直方图与其他直方图的4种比较方法:
for compare_method in range(4):
    base_base = cv.compareHist(hist_base, hist_base, compare_method)
    base_half = cv.compareHist(hist_base, hist_half_down, compare_method)
    base_test1 = cv.compareHist(hist_base, hist_test1, compare_method)
    base_test2 = cv.compareHist(hist_base, hist_test2, compare_method)
    print('Method:', compare_method, 'Perfect, Base-Half, Base-Test(1), Base-Test(2) :',\
          base_base, '/', base_half, '/', base_test1, '/', base_test2)

输入图像：

base_0.jpg:

test_1.jpg:

test_2.jpg:

运行结果：

即：
方法 Base - Base Base - Half Base - Test 1 Base - Test 2
相关性 1.00 0.88136 0.21350 0.07761
Chi-square 0.00 4.68028 2697.95 4761.87
Intersection 19.08360 13.1833 5.66333 2.77067
Bhattacharyya 0.00 0.23650 0.67493 0.87004

当我们将基本图像直方图与它本身进行比较时，应该会有一个完美的匹配（1.00）。此外，与一半的基础图像的直方图相比，它应该是一个高匹配（0.88），因为两者来自同一源。对于另外两个测试图，我们可以观察到它们的光照条件非常不同，所以匹配应该不是很好（0.21与0.07）。