代替直方图
#建立代替直方图
def hist2d_demo(image):
hsv=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
hist=cv.calcHist(image,[0,1],None,[32,32],[0,180,0,256])
#cv.imshow("hist2d",hist)
plt.imshow(hist,interpolation='nearest')
plt.title("2D Histogram")
plt.show()
直方图反向投影
直方图反向投影技术,通过二维直方图反映,必须先把原图像转换为hsv。
#计算H-S直方图
def back_projection_demo():
sample=cv.imread("D:/OpenCV/opencv/sources/samples/data/sample.png")
target=cv.imread("D:/OpenCV/opencv/sources/samples/data/target.png")
roi_hsv=cv.cvtColor(sample,cv.COLOR_BGR2HSV)
target_hsv=cv.cvtColor(target,cv.COLOR_BGR2HSV)
#show image
cv.imshow("sample",sample)
cv.imshow("target",target)
#计算直方图,范围越小,效果越好
roiHist=cv.calcHist([roi_hsv],[0,1],None,[32,32],[0,180,0,256])
cv.normalize(roiHist,0,255,cv.NORM_MINMAX)
dst=cv.calcBackProject([target_hsv],[0,1],roiHist,[0,180,0,256],1)
cv.imshow("backProjectionDemo",dst)
完整代码
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
#计算H-S直方图
def back_projection_demo():
sample=cv.imread("D:/OpenCV/opencv/sources/samples/data/sample.png")
target=cv.imread("D:/OpenCV/opencv/sources/samples/data/target.png")
roi_hsv=cv.cvtColor(sample,cv.COLOR_BGR2HSV)
target_hsv=cv.cvtColor(target,cv.COLOR_BGR2HSV)
#show image
cv.imshow("sample",sample)
cv.imshow("target",target)
roiHist=cv.calcHist([roi_hsv],[0,1],None,[32,32],[0,180,0,256])
cv.normalize(roiHist,0,255,cv.NORM_MINMAX)
dst=cv.calcBackProject([target_hsv],[0,1],roiHist,[0,180,0,256],1)
cv.imshow("backProjectionDemo",dst)
#建立代替直方图
def hist2d_demo(image):
hsv=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
hist=cv.calcHist(image,[0,1],None,[32,32],[0,180,0,256])
#cv.imshow("hist2d",hist)
plt.imshow(hist,interpolation='nearest')
plt.title("2D Histogram")
plt.show()
src = cv.imread("D:/OpenCV/opencv/sources/samples/data/demo.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
hist2d_demo(src)
back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows()
print("Hi,python!")
运行结果
函数补充说明
引自https://www.cnblogs.com/FHC1994/p/9118351.html
注意:
- 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。
归一化函数cv2.normalize原型:normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) -> dst
src参数表示输入数组。
dst参数表示输出与src相同大小的数组,支持原地运算。
alpha参数表示range normalization模式的最小值。
beta参数表示range normalization模式的最大值,不用于norm normalization(范数归一化)模式。
norm_type参数表示归一化的类型。
norm_type参数可以有以下的取值:
NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围,线性归一化,一般较常用。
NORM_INF:归一化数组的C-范数(绝对值的最大值)。
NORM_L1 :归一化数组的L1-范数(绝对值的和)。
NORM_L2 :归一化数组的(欧几里德)L2-范数。
参考博客:https://blog.csdn.net/solomon1558/article/details/44689611
2.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,以下将其称为模板图像)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。
函数cv2.calcBackProject用来计算直方图反向投影。
函数原型:calcBackProject(images, channels, hist, ranges, scale[, dst]) -> dst
images参数表示输入图像(是HSV图像)。传入时应该用中括号[ ]括起来。
channels参数表示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。
hist参数表示输入的模板图像直方图。
ranges参数表示直方图中每个维度bin的取值范围 (即每个维度有多少个bin)。
scale参数表示可选输出反向投影的比例因子,一般取1。
参考博客:https://blog.csdn.net/keith_bb/article/details/70154219