OpenCV中图像直方图与应用

OpenCV中图像直方图与应用

图像直方图数据在图像处理中应用十分广泛,根据直方图数据不同常见的有如下三种:

- 图像像素直方图、

- 像素梯度直方图

- 像素角度直方图

后面两个在图像特征提取SIFT与HOG中均有应用。最常见的图像直方图一般都是图像像素值统计直方图。通常我们把每个直方图的单元叫做BIN,对RGB图像来说像素的取值范围为0~255之间,BIN的个数是对取值范围的间隔区分,可以为32、64、128、256。OpenCV中提供了几个非常有用的直方图操作函数,实现了直方图统计计算、到直方图均衡化、直方图反向投影等功能。

图像像素直方图

OpenCV3.1.0中计算直方图的对应函数calcHist

原图如下:

计算得到的直方图如下:

直方图统计与绘制代码如下:

    // 加载图像    Mat src = imread("D:/gloomyfish/flower.png");    if (src.empty()) {        printf("could not load image...\n");        return -1;    }    namedWindow("refer faces", CV_WINDOW_AUTOSIZE);    imshow("refer faces", src);    // 三通道分离    vector<Mat> bgr_plane;    split(src, bgr_plane);    // 定义参数变量    const int channels[1] = { 0 };    const int bins[1] = { 256 };    float hranges[2] = { 0,255 };    const float* ranges[1] = { hranges };    Mat b_hist;    Mat g_hist;    Mat r_hist;    // 计算Blue, Green, Red通道的直方图    calcHist(&bgr_plane[0], 1, 0, Mat(), b_hist, 1, bins, ranges);    calcHist(&bgr_plane[1], 1, 0, Mat(), g_hist, 1, bins, ranges);    calcHist(&bgr_plane[2], 1, 0, Mat(), r_hist, 1, bins, ranges);    // 显示直方图    int hist_w = 512;    int hist_h = 400;    int bin_w = cvRound((double)hist_w / bins[0]);    Mat histImage = Mat::zeros(hist_h, hist_w, CV_8UC3);    // 归一化直方图数据    normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());     normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());    normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());    // 绘制直方图曲线    for (int i = 1; i < bins[0]; i++) {          line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(b_hist.at<float>(i - 1))),               Point(bin_w*(i), hist_h - cvRound(b_hist.at<float>(i))), Scalar(255, 0, 0), 2, 8, 0);        line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(g_hist.at<float>(i - 1))),            Point(bin_w*(i), hist_h - cvRound(g_hist.at<float>(i))), Scalar(0, 255, 0), 2, 8, 0);        line(histImage, Point(bin_w*(i - 1), hist_h - cvRound(r_hist.at<float>(i - 1))),            Point(bin_w*(i), hist_h - cvRound(r_hist.at<float>(i))), Scalar(0, 0, 255), 2, 8, 0);    }    // 显示直方图    namedWindow("Histogram Demo", WINDOW_AUTOSIZE);       imshow("Histogram Demo", histImage);

直方图均衡化

直方图均衡化是利用统计得到的直方图数据实现直方图分布的调整,然后根据调整之后的直方图对原图像建立查找表,重新映射得到新的像素值,基本原理就是这样。OpenCV中的API函数为 equalizeHist

  • src参数表示输入的图像,必须是8位灰度图像
  • dst参数表示均衡化之后的图像,大小和类型必须跟输入图像一致

输入原图如下:

直方图均衡化的结果如下:

对于三通道的彩色图像,可以先拆分通道对各个通道进行直方图均衡化之后再合并通道即可。实现代码如下: // 直方图均衡化处理

    vector<Mat> dst_bgr(3);    equalizeHist(bgr_plane[0], dst_bgr[0]);    equalizeHist(bgr_plane[1], dst_bgr[1]);    equalizeHist(bgr_plane[2], dst_bgr[2]);    Mat dst = Mat::zeros(bgr_plane[0].size(), CV_8UC3);    merge(dst_bgr, dst);    imshow("EH Demo", dst);

直方图反向投影

直方图反向投影直观的理解就是生成一个模板直方图,然后用它在一副更大的图像上去匹配相似区域,说白了就跟模板匹配类似。为了消除光照对直方图的影响,通常会先对取得的直方图做归一化之后在去做直方图反向投影。直方图反向投影的基本步骤可以分为如下三步

  • 获取图像特征的区域-ROI
  • 根据ROI生成直方图特征
  • 利用直方图特征进行反向投影,在未知图像上寻找特征

OpenCV3.1.0中对应的直方图反向投影API函数为 calcBackProject, 参数就不再赘述啦,各位自己看一下API文档吧! 这里以车牌识别中获取车牌区域为例,通过直方图反向投影可以获取。首先看模板图像

测试图像

直方图反向投影结果

从上面可以根据直方图反向投影结果直接获取车牌ROI区域,只要对车牌模板的蓝色通道直方图生成模板,反向投影即可。反向投影的演示代码如下:

    // 归一化直方图数据    normalize(b_hist, b_hist, 1.0, 0.0);    // 直方图反向映射 - 加载测试图片    Mat testImg = imread("D:/gloomyfish/5.jpg");    if (testImg.empty()) {        printf("could not load test image...\n");        return -1;    }    imshow("test image", testImg);    // 反向映射    vector<Mat> bgr;    split(testImg, bgr);    Mat result;    calcBackProject(&bgr[0], 1, channels, b_hist, result, ranges, 255);    // 将结果进行阈值化    threshold(result, result, 255*0.1, 255, THRESH_BINARY);    imshow("Histogram Back Projection Result", result);

原文发布于微信公众号 - OpenCV学堂(CVSCHOOL)

原文发表时间:2017-02-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏贾志刚-OpenCV学堂

OpenCV中神经网络介绍与使用

OpenCV中神经网络介绍与使用 一:神经网络介绍 人工神经网络(ANN) 简称神经网络(NN),最早它的产生跟并行计算有关系,主要是学习生物神经元互联触发实现...

51611
来自专栏深度学习那些事儿

利用pytorch实现神经网络风格迁移Neural Transfer

载入图像输入大小无要求,最终会被剪裁到相同大小,这是因为神经网络设计了一个特定的输入大小,因此内容图像和风格图像必须大小一致。

4262
来自专栏生信小驿站

R 支持向量机②

支持向量机是一个相对较新和较先进的机器学习技术,最初提出是为了解决二类分类问题,现在被广泛用于解决多类非线性分类问题和回归问题。其流行归功于两个方面,一个方面,...

882
来自专栏ATYUN订阅号

Python中的统计假设检验速查表

本文是一个机器学习项目中最流行的统计假设检验的速查表,包含使用Python接口的示例。

5786
来自专栏人工智能

卷积神经网络学习笔记

1.卷积神经网络的图像识别原理: 通过过滤函数 来描绘出图像的边界: 过滤函数和图像相同区域的数值进行相乘,得到新的图像, 新图像则只剩下边图像。 cros...

27910
来自专栏深度学习那些事儿

利用pytorch实现神经网络风格迁移Neural Transfer

载入图像输入大小无要求,最终会被剪裁到相同大小,这是因为神经网络设计了一个特定的输入大小,因此内容图像和风格图像必须大小一致。

3537
来自专栏贾志刚-OpenCV学堂

OpenCV中导向滤波介绍与应用

OpenCV中导向滤波介绍与应用 导向滤波介绍 导向滤波是使用导向图像作为滤波内容图像,在导向图像上实现局部线性函数表达,实现各种不同的线性变换,输出变形之后的...

4837
来自专栏深度学习与计算机视觉

特征提取方法(一):HOG原理及OpenCV实现

方向梯度直方图(Histogram of Oriented Gradient, HOG)于2005年提出,是一种常用的特征提取方法,HOG+SVM在行人检测中有...

1.9K5
来自专栏贾志刚-OpenCV学堂

使用OpenCV与sklearn实现基于词袋模型(Bag of Word)的图像分类预测与搜索

基于OpenCV实现SIFT特征提取与BOW(Bag of Word)生成向量数据,然后使用sklearn的线性SVM分类器训练模型,实现图像分类预测。实现基于...

5353
来自专栏人工智能LeadAI

卷积神经网络看见了什么

这是众多卷积神经网络可视化方法之一,方法来自于论文《Learning Deep Features for Discriminative Localization...

1491

扫码关注云+社区

领取腾讯云代金券