本文介紹了python OpenCV學(xué)習(xí)筆記直方圖反向投影的實現(xiàn)，分享給大家，具體如下：

它用于圖像分割或?qū)ふ覉D像中感興趣的對象。簡單地說，它創(chuàng)建一個與我們的輸入圖像相同大小(但單通道)的圖像，其中每個像素對應(yīng)于屬于我們對象的像素的概率。輸出圖像將使我們感興趣的對象比其余部分更白。

該怎么做呢？我們創(chuàng)建一個圖像的直方圖，其中包含我們感興趣的對象。為了得到更好的結(jié)果，對象應(yīng)該盡可能地填充圖像。而顏色直方圖比灰度直方圖更受青睞，因為對象的顏色比灰度強(qiáng)度更能定義對象。然后，我們在我們的測試圖像上“反向投射”這個直方圖，我們需要找到這個對象，換句話說，我們計算每個像素的概率，并顯示它。在適當(dāng)?shù)拈撝瞪袭a(chǎn)生的輸出結(jié)果使我們得到了一個單獨(dú)的結(jié)果。

Numpy中的算法

1、首先，我們需要計算我們需要找到的對象的顏色直方圖(讓它為'M')和我們將要搜索的圖像(讓它為'I')。

import numpy as np

import cv2 as cv

from matplotlib import pyplot as plt

# roi是我們需要找到的對象或區(qū)域

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

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

# target是我們搜索的圖像

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

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

# 用calcHist來找直方圖，也可以用np.histogram2d

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])

2、找到比率 R=M/I。然后背面投射R ，使用R作為調(diào)色板，并創(chuàng)建一個新的圖像，每個像素作為其對應(yīng)的目標(biāo)概率。B(x,y) = R[h(x,y),s(x,y)]，其中h是(x，y)坐標(biāo)像素的色調(diào)，s是飽和度。之后，B(x,y)=min[B(x,y),1]

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

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

B = np.munimum(B, 1)

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

3、應(yīng)用一個圓盤卷積，B = D * B，其中D是圓盤內(nèi)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)

4、現(xiàn)在，最大強(qiáng)度的位置給了我們物體的位置。如果我們期望圖像中有一個區(qū)域，給出一個合適的閾值會有一個很好的結(jié)果。

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

OpenCV中的投影

OpenCV提供一個內(nèi)置的函數(shù)cv.calcbackproject()。它的參數(shù)幾乎與cv.calcHist()函數(shù)相同。它的一個參數(shù)是直方圖，它是這個對象的直方圖，我們必須找到它。另外，在傳遞給backproject函數(shù)之前，對象的直方圖應(yīng)該是標(biāo)準(zhǔn)化的。它返回概率圖像。然后，我們將圖像與磁盤內(nèi)核進(jìn)行卷積，并應(yīng)用閾值。下面是我的代碼和輸出：

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)

# 計算對象的直方圖

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

# 標(biāo)準(zhǔn)化直方圖，并應(yīng)用投影

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

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

# 與磁盤內(nèi)核進(jìn)行卷積

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

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

# 閾值、二進(jìn)制按位和操作

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)

下面是一個例子。使用藍(lán)色矩形中的區(qū)域作為示例對象，提取想提取全部內(nèi)容。

關(guān)于這兩種技術(shù)的原理可以參考我上面貼的鏈接，下面是示例的代碼：

0x01. 繪制直方圖

import cv2.cv as cv

def drawGraph(ar,im, size): #Draw the histogram on the image

minV, maxV, minloc, maxloc = cv.MinMaxLoc(ar) #Get the min and max value

hpt = 0.9 * histsize

for i in range(size):

intensity = ar[i] * hpt / maxV #Calculate the intensity to make enter in the image

cv.Line(im, (i,size), (i,int(size-intensity)),cv.Scalar(255,255,255)) #Draw the line

i += 1

#---- Gray image

orig = cv.LoadImage("img/lena.jpg", cv.CV_8U)

histsize = 256 #Because we are working on grayscale pictures which values within 0-255

hist = cv.CreateHist([histsize], cv.CV_HIST_ARRAY, [[0,histsize]], 1)

cv.CalcHist([orig], hist) #Calculate histogram for the given grayscale picture

histImg = cv.CreateMat(histsize, histsize, cv.CV_8U) #Image that will contain the graph of the repartition of values

drawGraph(hist.bins, histImg, histsize)

cv.ShowImage("Original Image", orig)

cv.ShowImage("Original Histogram", histImg)

#---------------------

#---- Equalized image

imEq = cv.CloneImage(orig)

cv.EqualizeHist(imEq, imEq) #Equlize the original image

histEq = cv.CreateHist([histsize], cv.CV_HIST_ARRAY, [[0,histsize]], 1)

cv.CalcHist([imEq], histEq) #Calculate histogram for the given grayscale picture

eqImg = cv.CreateMat(histsize, histsize, cv.CV_8U) #Image that will contain the graph of the repartition of values

drawGraph(histEq.bins, eqImg, histsize)

cv.ShowImage("Image Equalized", imEq)

cv.ShowImage("Equalized HIstogram", eqImg)

#--------------------------------

cv.WaitKey(0)

0x02. 反向投影

import cv2.cv as cv

im = cv.LoadImage("img/lena.jpg", cv.CV_8U)

cv.SetImageROI(im, (1, 1,30,30))

histsize = 256 #Because we are working on grayscale pictures

hist = cv.CreateHist([histsize], cv.CV_HIST_ARRAY, [[0,histsize]], 1)

cv.CalcHist([im], hist)

cv.NormalizeHist(hist,1) # The factor rescale values by multiplying values by the factor

_,max_value,_,_ = cv.GetMinMaxHistValue(hist)

if max_value == 0:

max_value = 1.0

cv.NormalizeHist(hist,256/max_value)

cv.ResetImageROI(im)

res = cv.CreateMat(im.height, im.width, cv.CV_8U)

cv.CalcBackProject([im], res, hist)

cv.Rectangle(im, (1,1), (30,30), (0,0,255), 2, cv.CV_FILLED)

cv.ShowImage("Original Image", im)

cv.ShowImage("BackProjected", res)

cv.WaitKey(0)

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

總結(jié)

以上是生活随笔為你收集整理的opencv python 直方图反向投影_python OpenCV学习笔记直方图反向投影的实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。