Python3与OpenCV3.3 图像处理(十三)--反射投影

一、什么是反射投影

简单的说就是通过给定的直方图信息，在图像找到相应的像素分布区域

二、反射投影的应用

物体跟踪、定位物体等

三、示例代码

import cv2 as cvimport numpy as npfrom matplotlib import  pyplot as pltdef hist2d(image):    """2d 直方图计算和现实"""    #转换为hsv色彩空间    hsv=cv.cvtColor(image,cv.COLOR_BGR2HSV)    #[180,256] bins 越多对每个像素细分的越厉害，会导致反响直方图的碎片化    #[0,180,0,256]:hsv色彩空间中 h和s的取值范围，只是固定的    hist=cv.calcHist([image],[0,1],None,[180,256],[0,180,0,256])    #interpolation:差值方式    plt.imshow(hist,interpolation='nearest')    #直方图名字    plt.title("2D hist")    #图三    plt.show()def backProjection():    """直方图反响投影"""    #样本图片    sample=cv.imread('pzfb.jpg')    #目标片图片    target=cv.imread('pz.jpg')    sample_hsv=cv.cvtColor(sample,cv.COLOR_BGR2HSV)    target_hsv=cv.cvtColor(target,cv.COLOR_BGR2HSV)    #图一    cv.imshow("sample",sample)    #图二    cv.imshow("target",target)    #获得样本图片直方图    #[0,1]:用于计算直方图的通道，这里使用hsv计算直方图，所以就直接使用第一h和第二通道，即h和s通道；    #None:是否使用mask，None 否    #[32,32] bins 越多对每个像素细分的越厉害，会导致反响直方图的碎片化    #[0,180,0,256]:hsv色彩空间中 h和s的取值范围，是固定的    sample_hist=cv.calcHist([sample_hsv],[0,1],None,[32,32],[0,180,0,256])    #规划样本图片直方图    #sample_hist:输入的矩阵    #sample_hist：归一化后的矩阵    #0:归一化后的矩阵的最小值    #255：归一化后的矩阵的最大值    #cv.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    cv.normalize(sample_hist,sample_hist,0,255,cv.NORM_MINMAX)    #生成反响投影    #target_hsv:目标图像hsv矩阵    #[0,1]:用于计算直方图反射投影的通道，这里使用hsv计算直方图，所以就直接使用第一h和第二通道，即h和s通道；    # [0,180,0,256]:hsv色彩空间中 h和s的取值范围，是固定的    #1:是否缩放大小，1不需要，0需要    dst=cv.calcBackProject([target_hsv],[0,1],sample_hist,[0,180,0,256],1)    #图四    cv.imshow("bp",dst)src=cv.imread('textImg.jpg')hist2d(src);backProjection()#等待用户操作cv.waitKey(0)#释放所有窗口cv.destroyAllWindows()

注意：直方图反向投影须在hsv色彩空间下进行

图一

图二

图三

图四