如何使用python opencv比较直方图的三种方法
从一组图像中提取了颜色直方图，但是，将如何比较它们的相似性呢？下面将展示使用python opencv比较直方图的三种不同的方法。
方法一：使用OpenCV cv2.compareHist函数
opencv有一个内置的方法可以方便地比较直方图：cv2.compareHist(H1, H2, method)。该函数有三个参数：H1：要比较的第一个直方图；H2：要比较的第二个直方图；method：比较的方法。
method方法包括：
- 相关性比较 cv2.HISTCMP_CORREL：值越大，相似度越高
- 相交性比较 cv2.HISTCMP_INTERSECT：值越大，相似度越高
- 卡方比较 cv2.HISTCMP_CHISQR：值越小，相似度越高
- 巴氏距离比较 cv2.HISTCMP_BHATTACHARYYA：值越小，相似度越高
建立项目compareHist.py，代码如下。
#! /usr/bin/env python
# -*- coding: utf-8 -*-
from scipy.spatial import distance as dist
import matplotlib.pyplot as plt
import numpy as np
import cv2
import glob
def compareHistOneMethod():
# 存储颜色直方图
index = {}
# 存储图像
images = {}
# 本地加载的图像
fileNameStr = ['dst_4.png', 'dst_2.png', 'dst_1.png', 'dst_3.png']
# 比较的图像
compareFileName = fileNameStr[1]
# 提取每个图像的颜色直方图
for i, fileName in enumerate(fileNameStr):
print('[INFO] : {}. {}'.format(i, fileName))
# 读取图像
image = cv2.imread(fileName)
# 转换成RGB
images[fileName] = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 提取颜色直方图
hist = cv2.calcHist([image], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0,256])
# 归一均衡化
hist = cv2.normalize(hist, hist).flatten()
index[fileName] = hist
# opencv自带的直方图比较方法
OPENCV_METHODS = (
# 相关性比较
("Correlation", cv2.HISTCMP_CORREL),
# 卡方比较
("Chi-Squared", cv2.HISTCMP_CHISQR),
# 相交性比较
("Intersection", cv2.HISTCMP_INTERSECT),
# 巴氏距离比较
("Bhattacharyya", cv2.HISTCMP_BHATTACHARYYA))
for (methodName, method) in OPENCV_METHODS:
results = {}
reverse = False
# Correlation 和 Intersection 相似度越高,值越大
if methodName in ("Correlation", "Intersection"):
reverse = True
# 将源直方图与目标直方图进行比较
for (k, hist) in index.items():
d = cv2.compareHist(index[compareFileName], hist, method)
results[k] = d
# 排序
results = sorted([(v, k) for (k, v) in results.items()], reverse = reverse)
plt.figure('Query')
plt.imshow(images[compareFileName])
plt.axis('off')
fig = plt.figure('Results:{}'.format(methodName))
fig.suptitle(methodName, fontsize=10)
for i, (v, k) in enumerate(results):
ax = fig.add_subplot(1, len(images), i+1)
ax.set_title('{} : {:.2f}'.format(k, v))
#print('[INFO] : {} {} : {:.2f}'.format(methodName, k, v))
plt.imshow(images[k])
plt.axis('off')
plt.show()
def main():
compareHistOneMethod()
if __name__ == "__main__":
main()
执行该代码，将看到以下结果：
方法二：使用SciPy距离函数
Scipy距离函数具体使用欧几里德距离函数（euclidean），曼哈段距离函数（cityblock），切比雪夫距离（chebyshev）。
建立项目compareHist.py，代码如下：
#! /usr/bin/env python
# -*- coding: utf-8 -*-
from scipy.spatial import distance as dist
import matplotlib.pyplot as plt
import numpy as np
import cv2
import glob
def compareHistTwoMethod():
# 存储颜色直方图
index = {}
# 存储图像
images = {}
# 本地加载的图像
fileNameStr = ['dst_4.png', 'dst_2.png', 'dst_1.png', 'dst_3.png']
# 比较的图像
compareFileName = fileNameStr[1]
# 提取每个图像的颜色直方图
for i, fileName in enumerate(fileNameStr):
print('[INFO] : {}. {}'.format(i, fileName))
# 读取图像
image = cv2.imread(fileName)
# 转换成RGB
images[fileName] = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 提取颜色直方图
hist = cv2.calcHist([image], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
# 归一均衡化
hist = cv2.normalize(hist, hist).flatten()
index[fileName] = hist
# SciPy距离函数
SCIPY_METHODS = (
# 欧几里德距离
("Euclidean", dist.euclidean),
# 曼哈段距离
("Manhattan", dist.cityblock),
# 切比雪夫距离
("Chebysev", dist.chebyshev))
for methodName, method in SCIPY_METHODS:
results = {}
# 将源直方图与目标直方图进行一一比较
for (k, hist) in index.items():
d = method(index[compareFileName], hist)
results[k] = d
# 排序
results = sorted([(v, k) for (k, v) in results.items()])
plt.figure('Query')
plt.imshow(images[compareFileName])
plt.axis('off')
fig = plt.figure('Results:{}'.format(methodName))
fig.suptitle(methodName, fontsize=10)
for i, (v, k) in enumerate(results):
ax = fig.add_subplot(1, len(images), i + 1)
ax.set_title('{} : {:.2f}'.format(k, v))
# print('[INFO] : {} {} : {:.2f}'.format(methodName, k, v))
plt.imshow(images[k])
plt.axis('off')
plt.show()
def main():
#compareHistOneMethod()
compareHistTwoMethod()
if __name__ == "__main__":
main()
方法3：自行计算相似度
自定义卡方距离（chi-Squared）函数：
def chi2_distance(histA, histB, eps=1e-10):
# 自定义计算卡方距离
d = 0.5 * np.sum([((a - b) ** 2) / (a + b + eps)
for (a, b) in zip(histA, histB)])
return d
建立项目compareHist.py，代码如下：
#! /usr/bin/env python
# -*- coding: utf-8 -*-
from scipy.spatial import distance as dist
import matplotlib.pyplot as plt
import numpy as np
import cv2
import glob
def chi2_distance(histA, histB, eps=1e-10):
# 自定义计算卡方距离
d = 0.5 * np.sum([((a - b) ** 2) / (a + b + eps)
for (a, b) in zip(histA, histB)])
return d
def compareHistThreeMethod():
# 存储颜色直方图
index = {}
# 存储图像
images = {}
# 本地加载的图像
fileNameStr = ['dst_4.png', 'dst_2.png', 'dst_1.png', 'dst_3.png']
# 比较的图像
compareFileName = fileNameStr[1]
# 提取每个图像的颜色直方图
for i, fileName in enumerate(fileNameStr):
print('[INFO] : {}. {}'.format(i, fileName))
# 读取图像
image = cv2.imread(fileName)
# 转换成RGB
images[fileName] = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 提取颜色直方图
hist = cv2.calcHist([image], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])
# 归一均衡化
hist = cv2.normalize(hist, hist).flatten()
index[fileName] = hist
results = {}
for (k, hist) in index.items():
d = chi2_distance(index[compareFileName], hist)
results[k] = d
# 排序
results = sorted([(v, k) for (k, v) in results.items()])
plt.figure('Query')
plt.imshow(images[compareFileName])
plt.axis('off')
fig = plt.figure('Results: Custom Chi-Squared')
fig.suptitle('Custom Chi-Squared', fontsize=10)
for i, (v, k) in enumerate(results):
ax = fig.add_subplot(1, len(images), i + 1)
ax.set_title('{} : {:.2f}'.format(k, v))
# print('[INFO] : {} {} : {:.2f}'.format(methodName, k, v))
plt.imshow(images[k])
plt.axis('off')
plt.show()
def main():
#compareHistOneMethod()
#compareHistTwoMethod()
compareHistThreeMethod()
if __name__ == "__main__":
main()
总结
在这篇文章中，使用了三种使用python opencv比较直方图的方法。
第一种方法是使用cv2.compareHist，opencv内置的函数。它的好处是运行的非常快，性能提升将非常高。
第二种方法基于SciPy包中包含的距离函数。
但以上两种方法都不是你想要比较的直方图的方法，可以自定义距离函数，比较直方图的相似度已达到自己想要的结果和功能。
下载
源代码和素材
参考资料
https://www.pyimagesearch.com/