2D直方圖

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_histograms/py_2d_histogram/py_2d_histogram.html#twod-histogram

為什么只考慮h,s就夠了呢？

因為其實亮度是很容易受外界影響的，我們認為一個顏色的本質(zhì)特征是h和s。計算2D直方圖，我們用的還是calcHist函數(shù)，不過參數(shù)得輸入兩個通道的了。H原來是0-360，為了讓8位能存下，就對應到了0-180。第四個參數(shù)是[xmin,xmax,ymin,ymax]這種形式的。x指的是行,y指的是列。

bins上面有很多規(guī)則，請大家大概看一下，說的是如果是一個int，那么兩個維度區(qū)間的數(shù)目都是int，如果是[int,int]這個兩個分別是兩個維度的bins個數(shù)，還有其它規(guī)則請自行查看。上面給出了range的格式[[xmin,xmax],[ymin,ymax]]。

返回的H是二維的直方圖分布，xedges是第一個維度的區(qū)間邊界組成的數(shù)組，yedges是第二個維度的。

上面應該是少了一句h,s,v=cv2.split(hsv)。下面是如何畫直方圖：

這個是可以大概看一下，越白的地方數(shù)值越高。其實有點像等高圖，不過我們這里最低是黑色，而不是藍色。還有就是用matpltlib畫圖了：

還參考了https://blog.csdn.net/goldxwang/article/details/76855200

imshow里的interpolation參數(shù)是插值的意思，為什么需要插值呢？因為我們的hist只提供了整數(shù)點的值而沒有提供中間的值，那么這些值該怎么補充呢？這時候就需要用到插值。

插值方式有很多種，上面有列出來。blinear是雙線性插值。這個我們前面介紹過，還有一個nearest也很常用。參考了https://blog.csdn.net/ccblogger/article/details/72918354

這里是舉了一個例子：

默認用的應該就是這種插值，需要注意的是，最近鄰插值是還要四舍五入的。

當然計算機也不可能一個點一個點去算，那也是無數(shù)個點，肯定有一個最小單位。旁邊的這個類似于等高圖高度顏色帶的這個東西是colorbar生成的，plt.colorbar()要寫在plt.show()之前。

這里需要注意一下：

596*300=238400。

去掉中括號以后就不對了。和不知道為什么是800。

用np生成二維直方圖也是可以的，結果是一樣的。

減小分的區(qū)間數(shù)的話。圖看起來更明顯一些。

需要提醒的是左下角是可以看到對應的高度值的：

[4.02e+04]就是鼠標所在處的高度。

直方圖反投影

原理介紹：參考了https://blog.csdn.net/zyzhangyue/article/details/45827261

這個是一個滑動窗口，每次移動一個像素，然后計算窗口中圖像的直方圖和模板直方圖的相似度。

最后肯定是要閾值化的，相似度大于某一個值才認為是我們要的結果。

函數(shù)實現(xiàn)：

中間最重要的函數(shù)當然是calcBackProject了。

scale是比例。我來選一個模板，就是圈起來的那朵花。

大概在[34:73,234:263]這個范圍。

出來的dst就是如果和模板直方圖越接近(這個接近可能就是用的直方圖比較中的某一種距離來度量)結果數(shù)值越大，那么用灰度顯示也就會越白，當然我猜測這個函數(shù)里面是還有一些處理的，因為滑動窗口每次只滑動一個像素嘛，有很多像素就重合了，那么這些像素點的輸出值怎么辦呢？我猜想可能就是取平均了。注意中括號。

模板直方圖分的區(qū)間越少，也就是分的越粗，直方圖反投影得到的結果越連續(xù)，但是也能太大。20的效果還算不錯。

下面就分得太粗略了。

分得太細比較難匹配到。

我有點不懂為什么上面要對模板直方圖歸一化。alpha是歸一化范圍的下限，而beta是上限，normal_type是歸一化方法，有很多種，參考了：https://www.cnblogs.com/sddai/p/6250094.html

我們常用的是：

我試了一下，好像有點知道是個怎么回事了。

這個模板直方圖的歸一化的最大值好像和輸出的dst的最大值是一樣的，當300的話就是飽和的，會被認為是255，雖然不知道為什么有這樣的設定，這個得深究到下面的c++代碼了。我前面不加為什么可以呢?因為我選擇的模板直方圖的最大值271大于255。這算是一個巧合，是因為我選擇的模板圖像比較大，然后顏色又都比較偏白色。那么這個歸一化的語句最好還是加上去吧。

596*400和我們的原圖形狀是一樣的。

最終輸出的圖像其實有點不太理想，我們把它再閾值化一下，當然這個閾值該怎么選，這個需要自己測試。中間的那個cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))是一種形態(tài)學處理，我們先不管它。閾值操作：

0其實就代表的是表格中的第一種閾值化方式：

效果還不錯。把這個和原圖與一下。

我選的這個模板有點太白了，不太明顯。

我前面也說過，直方圖不能代表圖像的全部信息，因為它只包含強度信息，缺少了位置信息，所以上面匹配到的結果其實還是有很多不是我們想要的。下面是一種考慮了位置信息的匹配方式。

模板匹配

原理：模板匹配的原理其實很簡單，還是基于滑動窗口，一個像素一個像素的去移動，只不過上面我們計算的是圖像直方圖的相似度，我們這里是直接計算圖像的相似度，方法有好多種，參考了

https://blog.csdn.net/tsvico/article/details/78817096

計算起來其實挺麻煩的，有的時候我們就需要用到一些比較巧的辦法，比如說對于一些相乘項的求和，我們或許可以把其中一個調(diào)轉(zhuǎn)180，這個是為了湊成卷積的形式，然后根據(jù)卷積定理轉(zhuǎn)到頻域去計算離散的傅里葉變換相乘，然后再傅里葉反變換回來，這樣是會減小計算量的。

還有一種加快運算速度的方法叫做積分圖法。參考了

https://blog.csdn.net/yuan1125/article/details/70274515

就是從左上角開始累積像素值，最后生成一個圖，就叫積分圖。

一個區(qū)域的特征值就是這個區(qū)域里所有像素點對應強度的和。

上面原理和如何加快計算的方法，下面就是代碼的實驗了。

為什么輸出圖像的大小會變小呢？這是因為輸出的圖像其實是由上面的方法計算出來的相似度，輸出的結果其實只需要取從左上角開始取(W-w+1,H-h+1)就夠了，因為剩下的區(qū)域是不可能作為匹配區(qū)域的左上角的，因為不夠啊。為什么取左上角，因為底層的c++是這么寫的。

紅色代表目標圖片，藍色是模板圖片，紅色是輸出區(qū)域。

官方例子是個灰度圖像，shape[::-1是步長為-1，為什么要為-1呢？這是因為w寬度，也就是列數(shù)和h高度，行數(shù)的位置是反過來的，我們完全可以寫h,w=template.shape。官方也是有點皮。我們還是匹配那朵白玫瑰。我先來介紹幾個函數(shù)，首先是模板匹配的函數(shù)：

這里面的參數(shù)的英文單詞很常見了。templ是模板的意思。

這個函數(shù)是找出最大值，最小值以及對應的位置。上面這些比較方法應該都在c++里面由宏定義的。eval就是為了去掉引號，那一開始在method列表里面別加引號不就行了嗎？搞不懂。

plt.xticks是選x軸坐標刻度的，他這樣寫就是不要刻度。plt.suptitle是大標題，因為有幾個子圖嘛，所以會有一個大標題咯。我就改了四處。

400-29+1=372,598-38+1=559。

如果把xTicks和yTick里刪掉，那么就會有刻度了。這個第一種方法結果稍微有點不對。

這其實和模板匹配算法有關系，下面其實寫錯了，我畫紅線的話都是錯的，不用在意。

這種方法取的是應該是左圖中最亮的地方。那么這樣的算法為什么不是一樣的最大呢？

設想黑線是均值，然后紅色是模板，藍色是我設定的圖像，那么你說按照上面的公式是紅色和紅色的值大，還是紅色和藍色的值大呢？毫無疑問是紅色和藍色。上面的方法是判斷相關性的而不是相似性，所謂相關性就是你增大，我也增大，你減小我也減小，那么我們就叫做正相關，反之叫做負相關，和增大和減小前的值和增大或者減小了多少都無關，所以說這個模板匹配方法很不好。

這個匹配的是對的。也是取左圖中最亮的地方。這種方法才是1代表正相關，-1代表負相關，0代表線性無關。

為什么標準相關匹配結果就可以呢？我想用柯西不等式來說明問題

-1<=R(x,y)<=1，這個取等條件比較苛刻，是所有位置對應像素的強度成比例才可以，一般這種條件在圖像中也就是同一張圖才能達到這樣的條件了，至少在我們這張圖上是的。

這個也是取最亮的地方，也是稍微有一點偏差的。

這個匹配的結果也還好。

上面兩種方法的差別和上面的相似，只不過上面是減去了絕對值，這里沒有減去絕對值而已，還是用相關性不是相似度和柯西不等式來解釋。

這個是找最暗的。匹配的也不錯。

上面兩個是做差后平方和的結果，當然是同一張圖片的輸出區(qū)域最暗了。對于我們這張圖，六種里面四種匹配的都還不錯，但是都是有一些條件的，不過我覺得沒有標準化的那兩個相關性方法就不要用了，比較差。

一個模板匹配多個對象

這個不只是取一個最大的或者最小的了，而是規(guī)定一個閾值，這個閾值時自己設定的，可以找到多個對象。我們還是用上面的來做實驗。

閾值設為0.8也還是只能匹配到我們的原圖。

0.5的時候又出現(xiàn)一個新的區(qū)域。

0.45的時候就比較多了。

這里還要提醒一點，plt.imshow單通道的時候，選擇cmap='gray'，也就是顏色圖取的是灰度圖才會和cv2顯示的一致。不然用的時它使用的不是灰度系統(tǒng)。

用的時什么image.cmap。不知道這是個什么東西，但是絕對不是灰度。如果時3維就沒事，因為它會直接用RGB。

沒使用灰度之前。

之后：

雖然不知道為什么顯示的一個黑一個白。

不過好歹時回到了灰度空間。我有點理解為什么全是黑的了。首先colorbar會讓plt.imshow按照我們的灰度值來。注釋了colorbar后：

不注釋：

感覺其實挺奇怪的，我的理解是plt.imshow單通道的時候必須要有一個對比才行，如果全是一種顏色，colorbar也算是一種對比的手段，這個時候顯示的是完美的按照灰度。如果不是一個值，顯示的是相對灰度，也就是里面的最大值就是白色，最小值是黑色，線性插值來顯示灰度值。

前面又出現(xiàn)了變量前加*號的操作。

這個以前其實也說過的，不過相信很多人都忘了，其實也包括我，233，這很符合遺忘規(guī)律嘛，忘了不要緊，復習一下：https://zhidao.baidu.com/question/2140001532025683868.html

那這里為什么還要反著來呢？其實很簡單了，這個其實是用rectangle畫畫的一個特性：

這個實驗我們可以看到，rectangle里面?zhèn)鬟f參數(shù)的時候是列在前的，行在后的，這可能是為了適應我們的x軸水平，y軸垂直，一般寫坐標都是(x,y)這樣的習慣。不過這和np的格式就反過來了，因為np是行在前，列在后。還有一點需要注意：頂點坐標必須是元組。

好的，馬上是十一了，但是休息是不可能休息的。

總結

以上是生活随笔為你收集整理的python正十三边形_一起学python-opencv十三（直方图反向投影和模板匹配）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。