pythonhistogram教程_OpenCV-Python 直方图-4：直方图反投影 | 二十九

目标

在本章中，我们将学习直方图反投影。

理论

这是由Michael J. Swain和Dana H. Ballard在他们的论文《通过颜色直方图索引》中提出的。

用简单的话说是什么意思？它用于图像分割或在图像中查找感兴趣的对象。简而言之，它创建的图像大小与输入图像相同(但只有一个通道)，其中每个像素对应于该像素属于我们物体的概率。用更简单的话来说，与其余部分相比，输出图像将在可能有对象的区域具有更多的白色值。好吧，这是一个直观的解释。(我无法使其更简单)。直方图反投影与camshift算法等配合使用。

我们该怎么做呢？我们创建一个图像的直方图，其中包含我们感兴趣的对象(在我们的示例中是背景，离开播放器等)。对象应尽可能填充图像以获得更好的效果。而且颜色直方图比灰度直方图更可取，因为对象的颜色对比灰度强度是定义对象的好方法。然后，我们将该直方图“反投影”到需要找到对象的测试图像上，换句话说，我们计算出属于背景的每个像素的概率并将其显示出来。在适当的阈值下产生的输出使我们仅获得背景。

Numpy中的算法

首先，我们需要计算我们要查找的对象(使其为“ M”)和要搜索的图像(使其为“ I”)的颜色直方图。

import numpy as np

import cv2 as cvfrom matplotlib import pyplot as plt

#roi是我们需要找到的对象或对象区域

roi = cv.imread('rose_red.png')

hsv = cv.cvtColor(roi,cv.COLOR_BGR2HSV)

#目标是我们搜索的图像

target = cv.imread('rose.png')

hsvt = cv.cvtColor(target,cv.COLOR_BGR2HSV)

# 使用calcHist查找直方图。也可以使用np.histogram2d完成

M = cv.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] )

I = cv.calcHist([hsvt],[0, 1], None, [180, 256], [0, 180, 0, 256] )

求出比值R = M I R = \frac{M}{I}R=IM​。然后反向投影R，即使用R作为调色板，并以每个像素作为其对应的目标概率创建一个新图像。即B(x,y) = R[h(x,y),s(x,y)] 其中h是色调，s是像素在(x，y)的饱和度。之后，应用条件B ( x , y ) = m i n [ B ( x , y ) , 1 ] B(x,y) = min[B(x,y), 1]B(x,y)=min[B(x,y),1]。

h,s,v = cv.split(hsvt)

B = R[h.ravel(),s.ravel()]

B = np.minimum(B,1)

B = B.reshape(hsvt.shape[:2])

现在对圆盘应用卷积，B = D ∗ B B = D \ast BB=D∗B，其中D是圆盘内核。

disc = cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))

cv.filter2D(B,-1,disc,B)

B = np.uint8(B)

cv.normalize(B,B,0,255,cv.NORM_MINMAX)

现在最大强度的位置给了我们物体的位置。如果我们期望图像中有一个区域，则对合适的值进行阈值处理将获得不错的结果。

ret,thresh = cv.threshold(B,50,255,0)

就是这样！！

OpenCV的反投影

OpenCV提供了一个内建的函数cv.calcBackProject()。它的参数几乎与cv.calchist()函数相同。它的一个参数是直方图，也就是物体的直方图，我们必须找到它。另外，在传递给backproject函数之前，应该对对象直方图进行归一化。它返回概率图像。然后我们用圆盘内核对图像进行卷积并应用阈值。下面是我的代码和结果:

import numpy as np

import cv2 as cv

roi = cv.imread('rose_red.png')

hsv = cv.cvtColor(roi,cv.COLOR_BGR2HSV)

target = cv.imread('rose.png')

hsvt = cv.cvtColor(target,cv.COLOR_BGR2HSV)

# 计算对象的直方图

roihist = cv.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] )

# 直方图归一化并利用反传算法

cv.normalize(roihist,roihist,0,255,cv.NORM_MINMAX)

dst = cv.calcBackProject([hsvt],[0,1],roihist,[0,180,0,256],1)

# 用圆盘进行卷积

disc = cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))

cv.filter2D(dst,-1,disc,dst)

# 应用阈值作与操作

ret,thresh = cv.threshold(dst,50,255,0)

thresh = cv.merge((thresh,thresh,thresh))

res = cv.bitwise_and(target,thresh)

res = np.vstack((target,thresh,res))

cv.imwrite('res.jpg',res)

以下是我处理过的一个示例。我将蓝色矩形内的区域用作示例对象，我想提取整个地面。

附加资源

“Indexing via color histograms”, Swain, Michael J. , Third international conference on computer vision,1990.