图像处理反向投影原理

最新推荐文章于 2023-10-18 18:35:32 发布

物随心转

最新推荐文章于 2023-10-18 18:35:32 发布

阅读量1.8k

点赞数

分类专栏：图像处理 OpenCV

原文链接：https://blog.csdn.net/shuiyixin/article/details/80257822

版权

图像处理同时被 2 个专栏收录

34 篇文章 19 订阅

订阅专栏

OpenCV

20 篇文章 2 订阅

订阅专栏

反向投影的作用是什么？
反向投影用于在输入图像（通常较大）中查找特定图像（通常较小或者仅1个像素，称为模板图像）最匹配的点或者区域，也就是定位模板图像出现在输入图像的位置。

直接看原文 https://blog.csdn.net/yee_yj/article/details/6035913

具体过程就是：

假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：
（1）从输入图像的左上角(0,0)开始，切割一块(0,0)至(10,10)的临时图像；
（2）生成临时图像的直方图；
（3）用临时图像的直方图和模板图像的直方图对比，对比结果记为c；
（4）直方图对比结果c，就是结果图像(0,0)处的像素值；
（5）切割输入图像从(0,1)至(10,11)的临时图像，对比直方图，并记录到结果图像；
（6）重复（1）～（5）步直到输入图像的右下角。

反向投影的结果是什么？
反向投影的结果包含了：以每个输入图像像素点为起点的直方图对比结果。可以把它看成是一个二维的浮点型数组，二维矩阵，或者单通道的浮点型图像。通过图像的反向投影矩阵，我们实际上把原图像简单化了，简单化的过程实际上就是提取出图像的某个特征。以后我们可以用这个特征来对比两幅图，如果两幅图的反向投影矩阵相似或相同，那么我们就可以判定这两幅图这个特征是相同的

看完后，重点是直方图对比的方法

1、直方图对比概述

对输入的两张图像进行直方图均衡化及直方图计算步骤后，可以对两个图像的直方图进行对比，计算相似度，并通过对比的结果得到一些我们想要的结论。

2、直方图对比的应用

（1）图像相似度比较

如果我们有两张图像，并且这两张图像的直方图一样，或者有极高的相似度，那么在一定程度上，我们可以认为这两幅图是一样的，这就是直方图比较的应用之一。

（2）分析图像之间关系

两张图像的直方图反映了该图像像素的分布情况，可以利用图像的直方图，来分析两张图像的关系。

3、直方图比较原理

要比较两个直方图（H1 和 H2），首先必须要选择一个衡量直方图相似度的对比标准，我们设为d(H1,H2)，

4、直方图比较方法
（1）相关性比较（Correlation）

（2）Chi-Square（卡方比较）

（3）Intersection（十字交叉性）

（4）Bhattacharyya distance（巴氏距离）

在直方图相似度计算时，巴氏距离获得的效果最好，但计算是最为复杂的。巴氏距离的计算结果，其值完全匹配为1，完全不匹配则为0。

API介绍——compareHist

（1）步骤

a.先用cvtColor()把图像从RGB色彩空间转换到HSV色彩空间;

b.计算图像的直方图，然后归一化到[0~1]之间，用到函数 calcHist() 和 normalize() ；

c.使用上述的四种方法之一进行比较，用到函数compareHist()。

（2）API介绍

函数一共有三个参数，一个输入图像，一个输出图像，一个比较方法。比较方法的取值的情况为上面的四种方法，在OpenCV中，每个都有自己的名字：Correlation ( CV_COMP_CORREL )；Chi-Square ( CV_COMP_CHISQR )；Intersection ( CV_COMP_INTERSECT )；Bhattacharyya 距离( CV_COMP_BHATTACHARYYA )。

里要说明下为什么要用H-S直方图来作对比，因为BGR直方图我们只能三个通道分别计算，计算后也没法合在一起，也就是不能把图片作为一个整体来比较，而H-S就可以将图片作一个整体对比，所以这里用H-S直方图来作对比

Opencv代码



#define INPUT_TITLE0 "input image src"
#define INPUT_TITLE1 "input image srctest1"
#define INPUT_TITLE2 "input image srctest2"
#define OUTPUT_TITLE "name"

#include<iostream>
#include<math.h>
#include<opencv2\opencv.hpp>

using namespace std;
using namespace cv;

string convertToString(double d);

int main() {
	// 加载图像 
	Mat src, srctest1, srctest2;
	src = imread("2.jpg");
	srctest1 = imread("5.jpg");
	srctest2 = imread("3.jpg");

	if (!src.data || !srctest1.data || !srctest2.data)
	{
		cout << "ERROR : could not load image.";
		return -1;
	}

	imshow("【src 原图】", src);
	imshow("【srctest1 原图】", srctest1);
	imshow("【srctest2 原图】", srctest2);

	//从RGB色彩空间转化为HSV色彩空间
	cvtColor(src, src, CV_BGR2HSV);
	cvtColor(srctest1, srctest1, CV_BGR2HSV);
	cvtColor(srctest2, srctest2, CV_BGR2HSV);

	//定义直方图计算所需要的各种参数
	int h_bins = 50;
	int s_bins = 60;
	int histSize[] = { h_bins,s_bins };

	float h_ranges[] = { 0,180 };
	float s_ranges[] = { 0,256 };
	const float* ranges[] = { h_ranges, s_ranges };

	int channels[] = { 0,1 };//使用第0和第1通道

	//MatND 是 Mat的别名，方便区分经过直方图计算处理后和输入图像
	MatND hist_src;
	MatND hist_srctest1;
	MatND hist_srctest2;

	//计算直方图并归一化处理
	calcHist(&src, 1, channels, Mat(), hist_src, 2, histSize, ranges, true, false);
	normalize(hist_src, hist_src, 0, 1, NORM_MINMAX, -1, Mat());

	calcHist(&srctest1, 1, channels, Mat(), hist_srctest1, 2, histSize, ranges, true, false);
	normalize(hist_srctest1, hist_srctest1, 0, 1, NORM_MINMAX, -1, Mat());

	calcHist(&srctest2, 1, channels, Mat(), hist_srctest2, 2, histSize, ranges, true, false);
	normalize(hist_srctest2, hist_srctest2, 0, 1, NORM_MINMAX, -1, Mat());

	//直方图比较
	double src_src = compareHist(hist_src, hist_src, CV_COMP_CORREL);
	double src_srctest1 = compareHist(hist_src, hist_srctest1, CV_COMP_CORREL);
	double src_srctest2 = compareHist(hist_src, hist_srctest2, CV_COMP_CORREL);
	double srctest1_srctest2 = compareHist(hist_srctest1, hist_srctest2, CV_COMP_CORREL);

	cout << "src compare with src correlation value : " << src_src << endl;
	cout << "src compare with srctest1 correlation value : " << src_srctest1 << endl;
	cout << "src compare with srctest2 correlation value : " << src_srctest2 << endl;
	cout << "srctest1 compare with srctest2 correlation value : " << srctest1_srctest2 << endl;

	//给每个图像上添加文字，内容为该图片和原始图片的比较结果
	putText(src, convertToString(src_src), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 255, 255), 2, LINE_AA);
	putText(srctest1, convertToString(src_srctest1), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA);
	putText(srctest2, convertToString(src_srctest2), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(255, 0, 255), 2, LINE_AA);

	//图像的显示
	namedWindow(INPUT_TITLE0, CV_WINDOW_AUTOSIZE);
	namedWindow(INPUT_TITLE1, CV_WINDOW_AUTOSIZE);
	namedWindow(INPUT_TITLE2, CV_WINDOW_AUTOSIZE);
	//namedWindow(OUTPUT_TITLE, CV_WINDOW_AUTOSIZE);

	imshow(INPUT_TITLE0, src);
	imshow(INPUT_TITLE1, srctest1);
	imshow(INPUT_TITLE2, srctest2);


	waitKey(0);
	return 0;
}

string convertToString(double d) {
	ostringstream os;
	if (os << d)
	{
		return os.str();
	}
	return "invalid conversion";
}

反向投影 – 步骤

    建立直方图模型
    计算待测图像直方图并映射到模型中
    从模型反向计算生成图像

实现步骤与相关API

    加载图片imread
    将图像从RGB色彩空间转换到HSV色彩空间cvtColor
    计算直方图和归一化calcHist与normalize
    Mat与MatND其中Mat表示二维数组，MatND表示三维或者多维数据，此处均可以用Mat表示。
    计算反向投影图像 - calcBackProject

// recognition.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。
//

#include "pch.h"
#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;

// 申明图像矩阵，初始化bin数目:
Mat src, hsv, hue;
int bins = 25;

void Hist_and_Backproj(int, void*);

int main(int argc, char** argv)
{
	// 1. 读取输入图像并转换到HSV 空间
	src = imread("3.jpg");
	cvtColor(src, hsv, CV_BGR2HSV);
	// 2. 使用Hue通道来创建1维直方图：
	// 分离 Hue 通道。 色调在HSV颜色空间定义取值为0°到360°，实际在OpenCV中取值为0-180
	hue.create(hsv.size(), hsv.depth());// 这里要传深度，传type会报错
	int nchannels[] = { 0, 0 };

	/*  // 将输入数组的指定通道复制到输出数组的指定通道
		mixChannels(
			const Mat* src, //输入数组或向量矩阵,所有矩阵的大小和深度必须相同。
			size_t nsrcs, //矩阵的数量
			Mat* dst, //输出数组或矩阵向量,大小和深度必须与src相同
			size_t ndsts,//矩阵的数量
			const int* fromTo,//指定被复制通道与要复制到的位置组成的索引对
			size_t npairs //fromTo中索引对的数目
		);
	*/

	mixChannels(&hsv, 1, &hue, 1, nchannels, 1);
	imshow("hue", hue);


	// 3. 创建 Trackbar 来输入bin的数目
	char text[] = "Source image";
	char* window_image = text;
	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;
}

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到范围[0,255]
	calcHist(&hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false);
	normalize(hist, hist, 0, 255, NORM_MINMAX, -1, Mat());

	// 调用函数 calcBackProject 计算同一张图像的反向投影：
	MatND backproj;
	/*
		calcBackProject ( // 反向投影
			const Mat * images, // 输入图像，图像深度必须位CV_8U,CV_16U或CV_32F中的一种，尺寸相同，每一幅图像都可以有任意的通道数
			int nimages, // 输入图像的数量
			const int * channels, // 用于计算反向投影的通道列表，通道数必须与直方图维度相匹配，第一个数组的通道是从0到image[0].channels()-1,
												第二个数组通道从图像image[0].channels()到image[0].channels()+image[1].channels()-1计数
			InputArray hist, // 输入的直方图，直方图的bin可以是密集(dense)或稀疏(sparse)
			OutputArray backProject, // 目标反向投影输出图像，是一个单通道图像，与原图像有相同的尺寸和深度
			const float ** ranges, // 直方图中每个维度bin的取值范围
			double scale = 1, // 可选输出反向投影的比例因子
			bool uniform = true // 直方图是否均匀分布(uniform)的标识符，默认值true
		)
	*/
	calcBackProject(&hue, 1, 0, hist, backproj, &ranges, 1, true);

	// 显示反向投影
	imshow("BackProj", backproj);

	// 绘制直方图
	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); //-1表示填充矩形
	}

	imshow("Histogram", histImg);
}

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
图像处理反向投影原理

反向投影的作用是什么？反向投影用于在输入图像（通常较大）中查找特定图像（通常较小或者仅1个像素，称为模板图像）最匹配的点或者区域，也就是定位模板图像出现在输入图像的位置。直接看原文 https://blog.csdn.net/yee_yj/article/details/6035913具体过程就是：假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程...
复制链接

扫一扫