反向投影 calcBackProject

    图像的 反向投影图是用输入图像的某一位置上像素值（多维或灰度） 对应在直方图的一个bin上的值来代替该像素值，所以得到的反向投影图是单通的。用统计学术语， 输出图像象素点的值是观测数组在某个分布（直方图）下的概率。

其中 b(x_i) 表示在位置 x_i 上像素对应的直方图第 b(x_i) 个 bin ，直方图共 m 个 bin ，q_{u表示第u个bin的值。}

还是以例子说明

(1)例如灰度图像如下

Image=

0 1 2 3

4 5 6 7

8 9 10 11

8 9 14 15

(2)该灰度图的直方图为（bin指定的区间为[0,3)，[4,7)，[8,11)，[12,16)）

Histogram=

4 4 6 2

(3)反向投影图

Back_Projection=

4 4 4 4

4 4 4 4

6 6 6 6

6 6 2 2

例如位置(0,0)上的像素值为0，对应的bin为[0,3)，所以反向直方图在该位置上的值这个bin的值4。

测试代码如下：

#include

using namespace std;

#include

#include

#include

int main()

{

uchar data[]={0,1,2,3,4,5,6,7,8,9,10,11,8,9,14,15};//图像数据

CvMat mat=cvMat(4,4,CV_8UC1,data);

IplImage g_img; //灰度图

cvGetImage(&mat,&g_img);

//打印图像数据

cout<<"Image="<

for(int i=0;i

{

uchar* ptr=(uchar*)(g_img.imageData+i*g_img.widthStep);

for(int j=0;j

{

cout<"";

}

cout<

}

//计算图像直方图

IplImage* imgs[]={&g_img};

int g_bin=4;

int size[]={g_bin};

float g_ranges[]={0,4,8,12,16};

float* ranges[]={g_ranges};

CvHistogram* hist=cvCreateHist(1,size,CV_HIST_ARRAY,ranges,0);

cvCalcHist(imgs,hist);

//打印图像直方图数据

cout<<"Histogram="<

for(int i=0;i

{

cout<"";

}

cout<

//计算反向投影图

IplImage* back_project=cvCreateImage(cvGetSize(&g_img),g_img.depth,1);

cvCalcBackProject(imgs,back_project,hist);

//打印反向投影图数据

cout<<"Back_Projection="<

for(int i=0;iheight;i++)

{

uchar* ptr=(uchar*)(back_project->imageData+i*back_project->widthStep);

for(int j=0;jwidth;j++)

{

cout<"";

}

cout<

}

}

参考这篇：

CamShitf算法，即Continuously Apative Mean-Shift算法，基本思想就是对视频图像的多帧进行MeanShift运算，将上一帧结果作为下一帧的初始值，迭代下去。基本步骤为：

1.选取关键区域

2.计算该区域的颜色概率分布--反向投影图

3.用MeanShift算法找到下一帧的特征区域

4.标记并重复上述步骤

该算法的关键就是可以在目标大小发生改变的时候，可以自适应的调整目标区域继续跟踪

在进行CamShitf和MeanShift算法的时候，需要输入反向投影图，这就要求有个很重要的预处理过程是计算反向投影图。对应的函数为calcBackProject。所谓反向投影图就是一个概率密度图。calcBackProject的输入通常为目标区域的直方图和待跟踪图像的直方图，输出与待跟踪图像大小相同，每一个像素点表示该点为目标区域的概率。这个点越亮，该点属于物体的概率越大。这样的输入参数太适合做MeanS算法了。

转自http://blog.csdn.net/yang_xian521/article/details/6915608