opencv直方图使用学习

目的：

　　直方图在cv领域到处可见，因为其功能在cv算法的实现中比不可少。Opencv库中也集成了关于直方图的不少函数，比如直方图的计算，均衡，归一化，相似度比较等等。

为了体验这些函数，做了个小实验，功能是：打开摄像头，鼠标选定一个框，框内图像作为标准图像，计算出其直方图并显示出来；然后继续鼠标选定框，该框内的图像的直方

图与标准图像的进行相似度计算，计算结果在终端输出，数值越大表示相似度越大。

　　工程环境：opencv2.3.1+vs2010。

// hist_test.cpp : 定义控制台应用程序的入口点。 //  #include "stdafx.h" #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> #include <iostream> #include <stdio.h>  using namespace cv; using namespace std;  int nFrame_num=0; bool pause=false; bool tracking=false; Rect preselectROI,selectROI;//用于存放手选的矩形 bool comp=true;  Mat rhist,ghist,bhist; int channels[]={0,1,2}; //const int histsize[]={256,256,256}; const int histsize[]={16,16,16}; const int histsize1=16; float rranges[]={0,255}; float granges[]={0,255}; float branges[]={0,255}; float range[]={0,255}; const float *ranges1={range};//这里的ranges就相当于一个双指针了 const float *ranges[]={rranges,granges,branges};//ranges是个双指针，且前面一定要用const，即不可改变常量，提高程序的可读性和稳健性 //const float *ranges[]={{0,255},{0,255},{0,255}};  void onMouse(int event,int x,int y,int,void *) {     if(event==CV_EVENT_LBUTTONDOWN)     {         selectROI.x=x;         selectROI.y=y;         tracking=false;     }     else if(event==CV_EVENT_LBUTTONUP)     {         selectROI.width=x-selectROI.x;         selectROI.height=y-selectROI.y;         tracking=true;         comp=true;         nFrame_num++;//选定后才算真正意义上的第一帧         if(nFrame_num>=10)nFrame_num=10;//防止nFrame_num溢出     } }  int  main(int argc, const char* argv[]) {     Mat frame,img;     Mat staRoiHist;     MatND RoiHist;     int DRAW_H=400,DRAW_W=400;     Mat draw(DRAW_W,DRAW_H,CV_8UC3,Scalar(0,0,0));//建立一个显示直方图的图片，背景为纯黑色     int DRAW_BIN_W=cvRound(DRAW_W/histsize1);      /****打开摄像头****/     VideoCapture cam(0);     if(!cam.isOpened())         return -1;      /****鼠标捕捉****/     namedWindow("camera",1);     namedWindow("rgb_hist",1);     setMouseCallback("camera",onMouse,0);//这里用的是面向对象的思想，只要有鼠标动作就会调用鼠标响应函数      while(1)     {         if(!pause)//暂停按钮只需控制视频的读取         {                 cam>>frame;         if(frame.empty())             break;//break此处跳出的是while语句，一般是跳出for或while语句，不要理解为跳出if语句         }     /*    if(1==nFrame_num)         {          }*/         if(tracking)         {             Mat RoiImage(frame,selectROI);              /*************************************************************************************************************************/             /****                                    calcHist():计算图像块的直方图矩阵                                                ****/             /****calcHist(),第1个参数为原数组区域列表；第二个参数为有计算几个原数组；参数3为需要统计的通道索引数；参数4为操作掩码****/             /****第5个参数为存放目标直方图矩阵；参数6为需要计算的直方图的维数；参数7为每一维的bin的个数；参数8为每一维数值的取值范围****/             /****参数10为每个bin的大小是否相同的标志，默认为1，即bin的大小都相同；参数11为直方图建立时清除内存痕迹标志，默认为0，即清除****/             /*************************************************************************************************************************/             calcHist(&RoiImage,1,channels,Mat(),RoiHist,3,histsize,ranges);//原数组区域RoiImage,1个源，需要统计的通道索引为{0,1,2},                                                                             //目标直方图RoiHist，3维，每一维的bin数histsize,取值范围为                                                                             //ranges,实际上计算出的目标矩阵类似一维矩阵。                                                                                           /*************************************************************************************************************************/             /****                                normalize()：根据某种范数或者数值范围归一化数组                                     ****/             /**** normalize(),参数1表示需要归一化的数组；参数2为归一化后的目的数组;参数3表示输出数值的最小值/最大值或者输出数值的范数;****/             /****  参数4表示输出数值的最小值/最大值;参数5表示归一化数组使用的归一化类型，默认值为使用L2范数;参数6为对应元素的掩膜矩阵 ****/             /****                                              默认值为空，即不采用掩膜操作                                            ****/             /*************************************************************************************************************************/             normalize(RoiHist,RoiHist);//使用L2范数将RoiHist直方图原地归一化              vector<Mat> rgb_planes;//这里的vector为向量，向量的数据类型为Mat结构体，向量的长度为3             split(RoiImage,rgb_planes);//将rgb图分解到rgb_planes各个分量中             calcHist(&rgb_planes[0],1,0,Mat(),rhist,1,&histsize1,&ranges1);             normalize(rhist,rhist,0,DRAW_H,NORM_MINMAX);//进行最大最小值归一化             calcHist(&rgb_planes[1],1,0,Mat(),ghist,1,&histsize1,&ranges1);             normalize(ghist,ghist,0,DRAW_H,NORM_MINMAX);             calcHist(&rgb_planes[2],1,0,Mat(),bhist,1,&histsize1,&ranges1);             normalize(bhist,bhist,0,DRAW_H,NORM_MINMAX);             if(nFrame_num==1)             { //                preselectROI=selectROI;                 preselectROI.x=selectROI.x;                 preselectROI.y=selectROI.y;                 preselectROI.width=selectROI.width;                 preselectROI.height=selectROI.height;                 staRoiHist=RoiHist.clone();//第一次选定目标，作为标准模板目标             }             else if(nFrame_num>1&&comp==true)             {                 /*************************************************************************************************************************/                 /****                                        compareHist():比较2个直方图的相似度                                         ****/                 /****        compareHist()，参数1为比较相似度的直方图1；参数2为比较相似度的直方图2；参数3为相似度的计算方式。有四种，         ****/                 /****                  分别为CV_COMP_CORREL,CV_COMP_CHISQR,CV_COMP_INTERSECT,CV_COMP_BHATTACHARYYA                     ****/                 /*************************************************************************************************************************/                 double distence=compareHist(staRoiHist,RoiHist,CV_COMP_INTERSECT);//计算后面选定的与这次选定的相似度，使用INTERSECT，值越大越相似                 printf("与第1次选定的图像区域相似度为：%f\n",distence);//数组越大，相似度越大                  //显示直方图                 for(int i=1;i<histsize1;i++)                 {                     //画直线中要注意2点，因为图片的原点在左上角，而直方图坐标系的原点在左下角，所以高度值都需要被直方图图纸高度减掉，另外取一维直方图时只能用at运算符                     line(draw,Point(DRAW_BIN_W*(i-1),DRAW_H-cvRound(rhist.at<float>((i-1)))),Point(DRAW_BIN_W*(i),DRAW_H-cvRound(rhist.at<float>(i))),Scalar(255,0,0),2,8,0);                     line(draw,Point(DRAW_BIN_W*(i-1),DRAW_H-cvRound(ghist.at<float>((i-1)))),Point(DRAW_BIN_W*(i),DRAW_H-cvRound(ghist.at<float>(i))),Scalar(0,255,0),2,8,0);                     line(draw,Point(DRAW_BIN_W*(i-1),DRAW_H-cvRound(bhist.at<float>((i-1)))),Point(DRAW_BIN_W*(i),DRAW_H-cvRound(bhist.at<float>(i))),Scalar(0,0,255),2,8,0);                 }                 imshow("rgb_hist",draw);                 draw=Mat::zeros(DRAW_W,DRAW_H,CV_8UC3);//每画完一次直方图后都进行一次清0操作                 comp=false;             }             rectangle(frame,selectROI,Scalar(0,255,0),2,8);//手动选定一次就显示一次         }//end tracking         rectangle(frame,preselectROI,Scalar(0,0,255),5,8);//初始的选定目标一直不变         imshow("camera",frame);          //键盘响应         char c = (char)waitKey(10);         if( c == 27 )             break;         switch(c)         {         case 'p'://暂停键             pause = !pause;             break;         default:             ;         }     }//end while;     return 0; }

 

实验结果：

　　选定框内的模板用红色框标出，其他待比较的模板用绿色框标出。

　　模板图像块的简单直方图(rgb分开画的)显示如下：

　　

 

 　　第一次比较结果图：

　　

 

　　第二次比较结果图：

　　

 

 　　第三次比较结果图(2个框选定的基本重合)：

　　

 

　　三次比较相似度结果：

　　

　　可以看出，第三次的框与标准框内图像(即第1次选定的图像区域)的相似度值最大。

 

 总结：是不是可以通过直方图来完成图像匹配的操作！？

normalize¶

Normalizes the norm or value range of an array.

C++: void normalize(InputArraysrc, OutputArraydst, doublealpha=1, doublebeta=0, intnorm_type=NORM_L2, intdtype=-1, InputArraymask=noArray())¶

C++: void normalize(const SparseMat&src, SparseMat&dst, doublealpha, intnormType)¶

Python:cv2.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]]) → dst¶

Parameters:

• src – input array.
• dst – output array of the same size as src .
• alpha – norm value to normalize to or the lower range boundary in case of the range normalization.
• beta – upper range boundary in case of the range normalization; it is not used for the norm normalization.
• normType – normalization type (see the details below).
• dtype – when negative, the output array has the same type assrc; otherwise, it has the same number of channels assrc and the depth =CV_MAT_DEPTH(dtype).
• mask – optional operation mask.

注：当norm_type为NORM_MINMAX时，alpha为最小值；beta为最大值

The functions normalize scale and shift the input array elements so that

(where p=Inf, 1 or 2) when normType=NORM_INF,NORM_L1, orNORM_L2, respectively; or so that

when normType=NORM_MINMAX (for dense arrays only). The optional mask specifies a sub-array to be normalized. This means that the norm or min-n-max are calculated over the sub-array, and then this sub-array is modified to be normalized. If you want to only use the mask to calculate the norm or min-max but modify the whole array, you can usenorm() andMat::convertTo().

In case of sparse matrices, only the non-zero values are analyzed and transformed. Because of this, the range transformation for sparse matrices is not allowed since it can shift the zero level.

See also

norm(),Mat::convertTo(),SparseMat::convertTo()