从头学习opencv（11）--直方图反向投影

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：

1. 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