• 直方图是图像中像素强度分布的图形表达方式.
• 它统计了每一个强度值所具有的像素个数.

• 直方图均衡化是通过拉伸像素强度分布范围来增强图像对比度的一种方法.
• 说得更清楚一些, 以上面的直方图为例, 你可以看到像素主要集中在中间的一些强度值上. 直方图均衡化要做的就是 拉伸 这个范围. 见下面左图: 绿圈圈出了 少有像素分布其上的 强度值. 对其应用均衡化后, 得到了中间图所示的直方图. 均衡化的图像见下面右图.

• 均衡化指的是把一个分布 (给定的直方图) 映射 到另一个分布 (一个更宽更统一的强度值分布), 所以强度值分布会在整个范围内展开.

• 要想实现均衡化的效果, 映射函数应该是一个 累积分布函数 (cdf) (更多细节, 参考*学习OpenCV*). 对于直方图 , 它的累积分布  是:

  

  要使用其作为映射函数, 我们必须对最大值为255 (或者用图像的最大强度值) 的累积分布  进行归一化. 同上例, 累积分布函数为:

  

• 最后, 我们使用一个简单的映射过程来获得均衡化后像素的强度值:

  

目标

本文档尝试解答如下问题:

源码

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>using namespace std;
using namespace cv;/** @函数 main */
int main( int argc, char** argv )
{Mat src, dst;/// 装载图像src = imread( argv[1], 1 );if( !src.data ){ return -1; }/// 分割成3个单通道图像 ( R, G 和 B )vector<Mat> rgb_planes;split( src, rgb_planes );/// 设定bin数目int histSize = 255;/// 设定取值范围 ( R,G,B) )float range[] = { 0, 255 } ;const float* histRange = { range };bool uniform = true; bool accumulate = false;Mat r_hist, g_hist, b_hist;/// 计算直方图:calcHist( &rgb_planes[0], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );calcHist( &rgb_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );calcHist( &rgb_planes[2], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );// 创建直方图画布int hist_w = 400; int hist_h = 400;int bin_w = cvRound( (double) hist_w/histSize );Mat histImage( hist_w, hist_h, CV_8UC3, Scalar( 0,0,0) );/// 将直方图归一化到范围 [ 0, histImage.rows ]normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );/// 在直方图画布上画出直方图for( int i = 1; i < histSize; i++ ){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  );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(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  );}/// 显示直方图namedWindow("calcHist Demo", CV_WINDOW_AUTOSIZE );imshow("calcHist Demo", histImage );waitKey(0);return 0;}

解释

1. 创建一些矩阵:

   Mat src, dst;
   

2. 装载原图像

   src = imread( argv[1], 1 );if( !src.data ){ return -1; }
   

3. 使用OpenCV函数 split 将图像分割成3个单通道图像:

   vector<Mat> rgb_planes;
   split( src, rgb_planes );
   

   输入的是要被分割的图像 (这里包含3个通道)， 输出的则是Mat类型的的向量。

4. 现在对每个通道配置 直方图 设置， 既然我们用到了 R, G 和 B 通道， 我们知道像素值的范围是 

   1. 设定bins数目 (5, 10...):

      int histSize = 255;
      

   2. 设定像素值范围 (前面已经提到,在 0 到 255之间 )

      /// 设定取值范围 ( R,G,B) )
      float range[] = { 0, 255 } ;
      const float* histRange = { range };
      

   3. 我们要把bin范围设定成同样大小(均一)以及开始统计前先清除直方图中的痕迹:

      bool uniform = true; bool accumulate = false;
      

   4. 最后创建储存直方图的矩阵:

      Mat r_hist, g_hist, b_hist;
      

   5. 下面使用OpenCV函数 calcHist 计算直方图:

      /// 计算直方图:
      calcHist( &rgb_planes[0], 1, 0, Mat(), r_hist, 1, &histSize, &histRange, uniform, accumulate );
      calcHist( &rgb_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, &histRange, uniform, accumulate );
      calcHist( &rgb_planes[2], 1, 0, Mat(), b_hist, 1, &histSize, &histRange, uniform, accumulate );
      

      参数说明如下:

      • &rgb_planes[0]: 输入数组(或数组集)
      • 1: 输入数组的个数 (这里我们使用了一个单通道图像，我们也可以输入数组集 )
      • 0: 需要统计的通道 (dim)索引 ，这里我们只是统计了灰度 (且每个数组都是单通道)所以只要写 0 就行了。
      • Mat(): 掩码( 0 表示忽略该像素)， 如果未定义，则不使用掩码
      • r_hist: 储存直方图的矩阵
      • 1: 直方图维数
      • histSize: 每个维度的bin数目
      • histRange: 每个维度的取值范围
      • uniform 和 accumulate: bin大小相同，清楚直方图痕迹

5. 创建显示直方图的画布:

   // 创建直方图画布
   int hist_w = 400; int hist_h = 400;
   int bin_w = cvRound( (double) hist_w/histSize );Mat histImage( hist_w, hist_h, CV_8UC3, Scalar( 0,0,0) );
   

6. 在画直方图之前，先使用 normalize 归一化直方图，这样直方图bin中的值就被缩放到指定范围:

   /// 将直方图归一化到范围 [ 0, histImage.rows ]
   normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
   normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
   normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
   

   该函数接受下列参数:

   • r_hist: 输入数组
   • r_hist: 归一化后的输出数组(支持原地计算)
   • 0 及 histImage.rows: 这里，它们是归一化 r_hist 之后的取值极限
   • NORM_MINMAX: 归一化方法 (例中指定的方法将数值缩放到以上指定范围)
   • -1: 指示归一化后的输出数组与输入数组同类型
   • Mat(): 可选的掩码

7. 请注意这里如何读取直方图bin中的数据 (此处是一个1维直方图):

     /// 在直方图画布上画出直方图for( int i = 1; i < histSize; i++ ){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  );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(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  );}使用了以下表达式:.. code-block:: cppr_hist.at<float>(i):math:`i` 指示维度，假如我们要访问2维直方图，我们就要用到这样的表达式:.. code-block:: cppr_hist.at<float>( i, j )

8. 最后显示直方图并等待用户退出程序:

   namedWindow("calcHist Demo", CV_WINDOW_AUTOSIZE );
   imshow("calcHist Demo", histImage );waitKey(0);return 0;
   

结果

1. 使用下图作为输入图像:

   

2. 产生以下直方图:

   

目标

本文档尝试解答如下问题:

原理

源码

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>using namespace std;
using namespace cv;/** @函数 main */
int main( int argc, char** argv )
{Mat src_base, hsv_base;Mat src_test1, hsv_test1;Mat src_test2, hsv_test2;Mat hsv_half_down;/// 装载三张背景环境不同的图像if( argc < 4 ){ printf("** Error. Usage: ./compareHist_Demo <image_settings0> <image_setting1> <image_settings2>\n");return -1;}src_base = imread( argv[1], 1 );src_test1 = imread( argv[2], 1 );src_test2 = imread( argv[3], 1 );/// 转换到 HSVcvtColor( src_base, hsv_base, CV_BGR2HSV );cvtColor( src_test1, hsv_test1, CV_BGR2HSV );cvtColor( src_test2, hsv_test2, CV_BGR2HSV );hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows - 1 ), Range( 0, hsv_base.cols - 1 ) );/// 对hue通道使用30个bin,对saturatoin通道使用32个binint h_bins = 50; int s_bins = 60;int histSize[] = { h_bins, s_bins };// hue的取值范围从0到256, saturation取值范围从0到180float h_ranges[] = { 0, 256 };float s_ranges[] = { 0, 180 };const float* ranges[] = { h_ranges, s_ranges };// 使用第0和第1通道int channels[] = { 0, 1 };/// 直方图MatND hist_base;MatND hist_half_down;MatND hist_test1;MatND hist_test2;/// 计算HSV图像的直方图calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false );normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat() );calcHist( &hsv_half_down, 1, channels, Mat(), hist_half_down, 2, histSize, ranges, true, false );normalize( hist_half_down, hist_half_down, 0, 1, NORM_MINMAX, -1, Mat() );calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );calcHist( &hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false );normalize( hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat() );///应用不同的直方图对比方法for( int i = 0; i < 4; i++ ){ int compare_method = i;double base_base = compareHist( hist_base, hist_base, compare_method );double base_half = compareHist( hist_base, hist_half_down, compare_method );double base_test1 = compareHist( hist_base, hist_test1, compare_method );double base_test2 = compareHist( hist_base, hist_test2, compare_method );printf( " Method [%d] Perfect, Base-Half, Base-Test(1), Base-Test(2) : %f, %f, %f, %f \n", i, base_base, base_half , base_test1, base_test2 );}printf( "Done \n" );return 0;}

解释

1. 声明储存基准图像和另外两张对比图像的矩阵( RGB 和 HSV )

   Mat src_base, hsv_base;
   Mat src_test1, hsv_test1;
   Mat src_test2, hsv_test2;
   Mat hsv_half_down;
   

2. 装载基准图像(src_base) 和两张测试图像:

   if( argc < 4 ){ printf("** Error. Usage: ./compareHist_Demo <image_settings0> <image_setting1> <image_settings2>\n");return -1;}src_base = imread( argv[1], 1 );
   src_test1 = imread( argv[2], 1 );
   src_test2 = imread( argv[3], 1 );
   

3. 将图像转化到HSV格式:

   cvtColor( src_base, hsv_base, CV_BGR2HSV );
   cvtColor( src_test1, hsv_test1, CV_BGR2HSV );
   cvtColor( src_test2, hsv_test2, CV_BGR2HSV );
   

4. 同时创建包含基准图像下半部的半身图像(HSV格式):

   hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows - 1 ), Range( 0, hsv_base.cols - 1 ) );
   

5. 初始化计算直方图需要的实参(bins, 范围，通道 H 和 S ).

   int h_bins = 50; int s_bins = 32;
   int histSize[] = { h_bins, s_bins };float h_ranges[] = { 0, 256 };
   float s_ranges[] = { 0, 180 };const float* ranges[] = { h_ranges, s_ranges };int channels[] = { 0, 1 };
   

6. 创建储存直方图的 MatND 实例:

   MatND hist_base;
   MatND hist_half_down;
   MatND hist_test1;
   MatND hist_test2;
   

7. 计算基准图像，两张测试图像，半身基准图像的直方图:

   calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false );
   normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat() );calcHist( &hsv_half_down, 1, channels, Mat(), hist_half_down, 2, histSize, ranges, true, false );
   normalize( hist_half_down, hist_half_down, 0, 1, NORM_MINMAX, -1, Mat() );calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );
   normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );calcHist( &hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false );
   normalize( hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat() );
   

8. 按顺序使用4种对比标准将基准图像(hist_base)的直方图与其余各直方图进行对比:

   for( int i = 0; i < 4; i++ ){ int compare_method = i;double base_base = compareHist( hist_base, hist_base, compare_method );double base_half = compareHist( hist_base, hist_half_down, compare_method );double base_test1 = compareHist( hist_base, hist_test1, compare_method );double base_test2 = compareHist( hist_base, hist_test2, compare_method );printf( " Method [%d] Perfect, Base-Half, Base-Test(1), Base-Test(2) : %f, %f, %f, %f \n", i, base_base, base_half , base_test1, base_test2 );}
   

结果

1. 使用下列输入图像:

   第一张为基准图像，其余两张为测试图像。同时我们会将基准图像与它自身及其半身图像进行对比。

2. 我们应该会预料到当将基准图像直方图及其自身进行对比时会产生完美的匹配， 当与来源于同一样的背景环境的半身图对比时应该会有比较高的相似度， 当与来自不同亮度光照条件的其余两张测试图像对比时匹配度应该不是很好:

3. 下面显示的是结果数值:

对比标准	基准 - 基准	基准 - 半身	基准 - 测试1	基准 - 测试2
Correlation	1.000000	0.930766	0.182073	0.120447
Chi-square	0.000000	4.940466	21.184536	49.273437
Intersection	24.391548	14.959809	3.889029	5.775088
Bhattacharyya	0.000000	0.222609	0.646576	0.801869

对于 Correlation 和 Intersection 标准, 值越大相似度越大。因此可以看到对于采用这两个方法的对比，*基准 - 基准* 的对比结果值是最大的， 而 基准 - 半身 的匹配则是第二好(跟我们预测的一致)。而另外两种对比标准，则是结果越小相似度越大。 我们可以观察到基准图像直方图与两张测试图像直方图的匹配是最差的，这再一次印证了我们的预测。

目标

本文档尝试解答如下问题:

原理

源码

#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"#include <iostream>using namespace cv;
using namespace std;/// 全局变量
Mat src; Mat hsv; Mat hue;
int bins = 25;/// 函数申明
void Hist_and_Backproj(int, void* );/** @函数 main */
int main( int argc, char** argv )
{/// 读取图像src = imread( argv[1], 1 );/// 转换到 HSV 空间cvtColor( src, hsv, CV_BGR2HSV );/// 分离 Hue 通道hue.create( hsv.size(), hsv.depth() );int ch[] = { 0, 0 };mixChannels( &hsv, 1, &hue, 1, ch, 1 );/// 创建 Trackbar 来输入bin的数目char* window_image = "Source image";namedWindow( window_image, CV_WINDOW_AUTOSIZE );createTrackbar("* Hue  bins: ", window_image, &bins, 180, Hist_and_Backproj );Hist_and_Backproj(0, 0);/// 现实图像imshow( window_image, src );/// 等待用户反应waitKey(0);return 0;
}/**
 * @函数 Hist_and_Backproj
 * @简介：Trackbar事件的回调函数
 */
void Hist_and_Backproj(int, void* )
{MatND hist;int histSize = MAX( bins, 2 );float hue_range[] = { 0, 180 };const float* ranges = { hue_range };/// 计算直方图并归一化calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false );normalize( hist, hist, 0, 255, NORM_MINMAX, -1, Mat() );/// 计算反向投影MatND backproj;calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true );/// 显示反向投影imshow( "BackProj", backproj );/// 显示直方图int w = 400; int h = 400;int bin_w = cvRound( (double) w / histSize );Mat histImg = Mat::zeros( w, h, CV_8UC3 );for( int i = 0; i < bins; i ++ ){ rectangle( histImg, Point( i*bin_w, h ), Point( (i+1)*bin_w, h - cvRound( hist.at<float>(i)*h/255.0 ) ), Scalar( 0, 0, 255 ), -1 ); }imshow( "Histogram", histImg );
}

解释

1. 申明图像矩阵，初始化bin数目:

   Mat src; Mat hsv; Mat hue;
   int bins = 25;
   

2. 读取输入图像并转换到HSV 格式:

   src = imread( argv[1], 1 );
   cvtColor( src, hsv, CV_BGR2HSV );
   

3. 本教程仅仅使用Hue通道来创建1维直方图 (你可以从上面的链接下载增强版本,增强版本使用了更常见的H-S直方图，以获取更好的结果):

   hue.create( hsv.size(), hsv.depth() );
   int ch[] = { 0, 0 };
   mixChannels( &hsv, 1, &hue, 1, ch, 1 );
   

   你可以看到这里我们使用 mixChannels 来抽取 HSV图像的0通道(Hue)。 该函数接受了以下的实参:

   • &hsv: 一系列输入图像的数组， 被拷贝的通道的来源
   • 1: 输入数组中图像的数目
   • &hue: 一系列目的图像的数组， 储存拷贝的通道
   • 1: 目的数组中图像的数目
   • ch[] = {0,0}: 通道索引对的数组，指示如何将输入图像的某一通道拷贝到目的图像的某一通道。在这里，&hsv图像的Hue(0) 通道被拷贝到&hue图像(单通道)的0 通道。
   • 1: 通道索引对德数目

4. 创建Trackbar方便用户输入bin数目。 Trackbar的任何变动将会调用函数 Hist_and_Backproj 。

   char* window_image = "Source image";
   namedWindow( window_image, CV_WINDOW_AUTOSIZE );
   createTrackbar("* Hue  bins: ", window_image, &bins, 180, Hist_and_Backproj );
   Hist_and_Backproj(0, 0);
   

5. 显示并等待用户突出程序:

   imshow( window_image, src );waitKey(0);
   return 0;
   

6. Hist_and_Backproj 函数: 初始化函数 calcHist 需要的实参， bin数目来自于 Trackbar:

   void Hist_and_Backproj(int, void* )
   {MatND hist;int histSize = MAX( bins, 2 );float hue_range[] = { 0, 180 };const float* ranges = { hue_range };
   

7. 计算直方图并归一化到范围 

   calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false );
   normalize( hist, hist, 0, 255, NORM_MINMAX, -1, Mat() );
   

8. 调用函数 calcBackProject 计算同一张图像的反向投影

   MatND backproj;
   calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true );
   

   所有的实参都已经知道了(与计算直方图的实参一样), 仅仅增加了 backproj 矩阵,用来储存原图像(&hue)的反向投影。

9. 显示 backproj:

   imshow( "BackProj", backproj );
   

10. 显示1维 Hue 直方图:

    int w = 400; int h = 400;
    int bin_w = cvRound( (double) w / histSize );
    Mat histImg = Mat::zeros( w, h, CV_8UC3 );for( int i = 0; i < bins; i ++ ){ rectangle( histImg, Point( i*bin_w, h ), Point( (i+1)*bin_w, h - cvRound( hist.at<float>(i)*h/255.0 ) ), Scalar( 0, 0, 255 ), -1 ); }imshow( "Histogram", histImg );
    

结果

1. 下面是对一张样本图像(猜猜是什么?又是一掌)进行的测试结果。 你可以改变bin的数目来观察它是如何影响结果图像的:

目标

在这节教程中您将学到:

原理

代码

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>using namespace std;
using namespace cv;/// 全局变量
Mat img; Mat templ; Mat result;
char* image_window = "Source Image";
char* result_window = "Result window";int match_method;
int max_Trackbar = 5;/// 函数声明
void MatchingMethod( int, void* );/** @主函数 */
int main( int argc, char** argv )
{/// 载入原图像和模板块img = imread( argv[1], 1 );templ = imread( argv[2], 1 );/// 创建窗口namedWindow( image_window, CV_WINDOW_AUTOSIZE );namedWindow( result_window, CV_WINDOW_AUTOSIZE );/// 创建滑动条char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );MatchingMethod( 0, 0 );waitKey(0);return 0;
}/**
 * @函数 MatchingMethod
 * @简单的滑动条回调函数
 */
void MatchingMethod( int, void* )
{/// 将被显示的原图像Mat img_display;img.copyTo( img_display );/// 创建输出结果的矩阵int result_cols =  img.cols - templ.cols + 1;int result_rows = img.rows - templ.rows + 1;result.create( result_cols, result_rows, CV_32FC1 );/// 进行匹配和标准化matchTemplate( img, templ, result, match_method );normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );/// 通过函数 minMaxLoc 定位最匹配的位置double minVal; double maxVal; Point minLoc; Point maxLoc;Point matchLoc;minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );/// 对于方法 SQDIFF 和 SQDIFF_NORMED, 越小的数值代表更高的匹配结果. 而对于其他方法, 数值越大匹配越好if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED ){ matchLoc = minLoc; }else{ matchLoc = maxLoc; }/// 让我看看您的最终结果rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );imshow( image_window, img_display );imshow( result_window, result );return;
}

代码说明

1. 定义一些全局变量, 例如原图像(img), 模板图像(templ) 和结果图像(result) , 还有匹配方法以及窗口名称:

   Mat img; Mat templ; Mat result;
   char* image_window = "Source Image";
   char* result_window = "Result window";int match_method;
   int max_Trackbar = 5;
   

2. 载入原图像和匹配块:

   img = imread( argv[1], 1 );
   templ = imread( argv[2], 1 );
   

3. 创建窗口,显示原图像和结果图像:

   namedWindow( image_window, CV_WINDOW_AUTOSIZE );
   namedWindow( result_window, CV_WINDOW_AUTOSIZE );
   

4. 创建滑动条并输入将被使用的匹配方法. 一旦滑动条发生改变,回调函数 MatchingMethod 就会被调用.

   char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";
   createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );
   

5. 一直等待,直到用户退出这个程序.

   waitKey(0);
   return 0;
   

6. 让我们先看看回调函数. 首先, 它对原图像进行了一份复制:

   Mat img_display;
   img.copyTo( img_display );
   

7. 然后, 它创建了一幅用来存放匹配结果的输出图像矩阵. 仔细看看输出矩阵的大小(它包含了所有可能的匹配位置)

   int result_cols =  img.cols - templ.cols + 1;
   int result_rows = img.rows - templ.rows + 1;result.create( result_cols, result_rows, CV_32FC1 );
   

8. 执行模板匹配操作:

   matchTemplate( img, templ, result, match_method );
   

   很自然地,参数是输入图像 I, 模板图像 T, 结果图像 R 还有匹配方法 (通过滑动条给出)

9. 我们对结果进行归一化:

   normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );
   

10. 通过使用函数 minMaxLoc ,我们确定结果矩阵 R 的最大值和最小值的位置.

    double minVal; double maxVal; Point minLoc; Point maxLoc;
    Point matchLoc;minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
    

    函数中的参数有:

    • result: 匹配结果矩阵
    • &minVal 和 &maxVal: 在矩阵 result 中存储的最小值和最大值
    • &minLoc 和 &maxLoc: 在结果矩阵中最小值和最大值的坐标.
    • Mat(): 可选的掩模

11. 对于前二种方法 ( CV_SQDIFF 和 CV_SQDIFF_NORMED ) 最低的数值标识最好的匹配. 对于其他的, 越大的数值代表越好的匹配. 所以, 我们在 matchLoc 中存放相符的变量值:

    if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED ){ matchLoc = minLoc; }
    else{ matchLoc = maxLoc; }
    

12. 显示原图像和结果图像. 再用矩形框标注最符合的区域:

    rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
    rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );imshow( image_window, img_display );
    imshow( result_window, result );
    

结果

1. 开始测试我们的程序,一幅输入图像:

   

   还有一幅模版图像:

   

2. 产生了一下结果图像矩阵 (第一行是标准的方法 SQDIFF, CCORR 和 CCOEFF, 第二行是相同的方法在进行标准化后的图像). 在第1列, 最黑的部分代表最好的匹配, 对于其它2列, 越白的区域代表越好的匹配.

3. 正确的匹配在下面显示 (右侧被矩形标注的人脸). 需要注意的是方法 CCORR 和 CCOEFF 给出了错误的匹配结果, 但是它们的归一化版本给出了正确的结果, 这或许是由于我们实际上仅仅考虑 “最匹配” 而没考虑其他可能的高匹配位置.