人工智能研究网 www.studyai.cn

下面的代码通过计算图像中给定区域的方向梯度直方图来估计图像的旋转角度

主要内容包括：

一、计算局部图像块方向梯度直方图的函数

二、把给定图像按照给定的角度旋转

三、如何利用旋转后的图像的方向梯度直方图和原图像的方向梯度直方图来估计旋转角度

四、绘制方向梯度直方图

计算效果如下次：

主要代码如下：

// LocalHistogramOfOrientedGradients.cpp : 定义控制台应用程序的入口点。
//局部方向梯度直方图#include
#include using namespace std;
using namespace cv;/*
计算给定像素位置上的加权方向梯度直方图（orientation gradient  histogram）img:原始图像pt: 指定的像素点radius： 统计半径isSmoothed：是否平滑输出直方图用高斯函数进行中心加权;isWeighted,和 weighted_sigma: 是否加权和计算权重的标准差hist： 要输出的直方图n: 直方图的bin个数返回值：直方图的峰值（最大值）
*/
static float calcOrientationHist( const Mat& img, Point pt, int radius, float* hist, int n ,int isSmoothed,int isWeighted,float weighted_sigma)
{//radius应该是以pt为中心的正方形的边长的一半int i, j, k, len = (radius*2+1)*(radius*2+1);//使用高斯函数中心加权float expf_scale = -1.f/(2.f * weighted_sigma * weighted_sigma);//为什么加4呢，是为了给临时直方图开辟多余的4个存储位置，//用来存放temphist[-1]，temphist[-2]，temphist[n],temphist[n+1]的//为什么加n呢，这n个位置是留给temphist[0 ... n-1]的//为什么len*4呢，这4个len长度的数组位置是留给X、Y、W以及方向Ori的AutoBuffer buf(len*4 + n+4);//X是横向梯度，Y是纵向梯度，Mag是梯度幅值=sqrt(X^2+Y^2), Ori是梯度方向 = arctan(Y/X)float *X = buf, *Y = X + len, *Mag = X, *Ori = Y + len, *W = Ori + len;float* temphist = W + len + 2;//加2是用来存放temphist[-1]，temphist[-2]的//临时直方图清零for( i = 0; i < n; i++ )temphist[i] = 0.f;//从上往下，从左往右扫描求横向，纵向的梯度值以及对应的权值for( i = -radius, k = 0; i <= radius; i++ ){int y = pt.y + i;//指向原图像img的第pt.y+i行if( y <= 0 || y >= img.rows - 1 )//边界检查continue;for( j = -radius; j <= radius; j++ ){int x = pt.x + j;//指向原图像img的第pt.x+j列if( x <= 0 || x >= img.cols - 1 )//边界检查continue;//横向梯度float dx = (float)(img.at(y, x+1) - img.at(y, x-1));//纵向梯度float dy = (float)(img.at(y-1, x) - img.at(y+1, x));//保存纵向梯度和横向梯度X[k] = dx; Y[k] = dy;//计算加权数组if(isWeighted) W[k] = (i*i + j*j)*expf_scale;elseW[k] = 1.f; //如果不加权，则每个统计点上的权重是一样的k++;}}//把实际的统计点数复制给len，由于矩形局部邻域有可能超出图像边界，len = k;//所以实际的点数总是小于等于 (radius*2+1)*(radius*2+1)//在指定像素点的邻域内 计算梯度幅值, 梯度方向 and 权重  exp(W, W, len); //权重fastAtan2(Y, X, Ori, len, true);//梯度方向magnitude(X, Y, Mag, len);//梯度幅值//填充临时直方图，直方图的横轴是梯度方向方向角度[0,360），bin宽度为n/360；//纵轴是梯度幅值乘以对应的权重for( k = 0; k < len; k++ ){int bin = cvRound((n/360.f)*Ori[k]);//求出第k个角度Ori[k]的bin索引号if( bin >= n )bin -= n;if( bin < 0 )bin += n;temphist[bin] += W[k]*Mag[k];   }if(isSmoothed){// 直方图平滑，平滑后放入输出直方图数组中temphist[-1] = temphist[n-1];temphist[-2] = temphist[n-2];temphist[n] = temphist[0];temphist[n+1] = temphist[1];for( i = 0; i < n; i++ ){hist[i] = (temphist[i-2] + temphist[i+2])*(1.f/16.f) +(temphist[i-1] + temphist[i+1])*(4.f/16.f) +temphist[i]*(6.f/16.f);}}else  //不平滑直方图{for( i = 0; i < n; i++ ){hist[i] = temphist[i];}}//求直方图梯度的最大值float maxval = hist[0];for( i = 1; i < n; i++ )maxval = std::max(maxval, hist[i]);return maxval;
}void DrawHist(Mat& hist, string&  winname)
{Mat drawHist;int histSize = hist.rows;// 创建直方图画布int hist_w = 360; int hist_h = 360;//直方图图像的宽度和高度int bin_w = cvRound( (double) hist_w/histSize );//直方图中一个矩形条纹的宽度Mat histImage( hist_w, hist_h, CV_8UC3, Scalar( 0,0,0) );//创建画布图像/// 将直方图归一化到范围 [ 0, histImage.rows ]normalize(hist, drawHist, 0,histImage.rows, NORM_MINMAX, -1, Mat() );/// 在直方图画布上画出直方图for(int i=1;i(i-1))),Scalar(0,0,255),1,8,0);  //折线表示 /* line( histImage, Point( bin_w*(i-1), hist_h - cvRound(hist.at(i-1)) ) ,Point( bin_w*(i), hist_h - cvRound(hist.at(i)) ),Scalar( 0, 0, 255), 1, 8, 0  );*/}/// 显示直方图cv::namedWindow(winname,1);cv::imshow(winname, histImage );
}int main(int argc, char** argv)
{const string filename = "meinv2.jpg";Mat Image = imread(filename,1);if(Image.empty()){std::cout<<"无法读取图像...."< rotateHist = Mat::zeros(bins_count,1,CV_32FC1); float*  rh = (float*)rotateHist.data;calcOrientationHist(rotate_dst,center,radius,rh,bins_count,isSmoothed,isWeighted,sigma);//绘制直方图string winname2 = "rotated hist";DrawHist(rotateHist,winname2);//- -利用旋转前和旋转后的两个直方图的纵轴主峰对应的角度bin估算图像的旋转角度--------------------cout<<"直方图bin的宽度： "<<(360.f/bins_count)<<"度"<

来自CODE的代码片

localorientedgradient.cpp

结果分析：

绕图像中心点顺时针旋转30度缩放因子为1的估计结果：

从上图看出，顺时针旋转奶茶妹妹后，方向梯度直方图整体向左移动了一定距离

真实的旋转角度为 -30度，估计的旋转角度为 -24度，误差6度正好是直方图的bin的宽度

绕图像中心点逆时针旋转30度缩放因子为1的估计结果：

从上图看出，逆时针旋转奶茶妹妹后，方向梯度直方图整体向右移动了一定距离

真实旋转角度为30度，估计的旋转角度也为30度

OpenCV 使用方向梯度直方图估计图像旋转角度相关推荐

OpenCV学习之六：使用方向梯度直方图估计图像旋转角度
OpenCV学习之六: 使用方向梯度直方图估计图像旋转角度原文:http://blog.csdn.net/zhjm07054115/article/details/26964275 下面的代码通过计 ...
【图像特征提取1】方向梯度直方图HOG---从理论到实践------附带积分图像的解析
(一)特征检测算法的综述计算机视觉理论中的特征描述是常见的目标分析技术之一,关键点的检测和关键点的提取是目标分析的重要手段和重要步骤之一.局部图像特征描述的核心问题是不变性和可分析性,不变性是基于特 ...
深度学习----CNN的图像学习之HOG(方向梯度直方图)详解
一.原理二.参数的理解 2.1.灰度值 2.2.归一化 2.3.细胞 2.4.窗口 2.5.类型 2.6.Gamma标准化 2.7.图像梯度及梯度算子 2.8.直方图 2.9.高斯空域加窗三.步骤 ...
图像学习之如何理解方向梯度直方图HOG（Histogram Of Gradient）
本文转自:雷锋网,作者:思颖.连接:https://yq.aliyun.com/articles/176607,https://www.leiphone.com/news/201708/ZKsGd2J ...
图像学习之如何理解方向梯度直方图（Histogram Of Gradient）
特征描述子(Feature Descriptor) 特征描述子就是图像的表示,抽取了有用的信息,丢掉了不相关的信息.通常特征描述子会把一个w*h*3(宽高3,3个channel)的图像转换成一个长度为 ...
图像特征：方向梯度直方图 HOG
文章目录参考资料简介算法流程灰度化和gamma校正计算梯度统计cell的梯度方向直方图 Block 块内归一化(重点) 组合为HOG特征 HOG特征与可视化 OpenCV 算法实现参考资 ...
OpenCV方向梯度直方图HOG的实例(附完整代码)
OpenCV方向梯度直方图HOG的实例 OpenCV方向梯度直方图HOG的实例 OpenCV方向梯度直方图HOG的实例 #include <iostream> #include <f ...
图像特征提取算法：方向梯度直方图HOG
1.基本介绍 HOG,全称是方向梯度直方图(Histogram Of Gradient),是目前计算机视觉.模式识别领域很常用的一种描述图像局部纹理的特征.这个特征名字起的也很直白,就是说先计算图片某 ...
方向梯度直方图（Histogram Of Gradient）详解
特征描述子(Feature Descriptor) 特征描述子就是图像的表示,抽取了有用的信息,丢掉了不相关的信息.通常特征描述子会把一个w*h*3(宽高3,3个channel)的图像转换成一个长度为 ...

OpenCV 使用方向梯度直方图估计图像旋转角度

人工智能研究网 www.studyai.cn

OpenCV 使用方向梯度直方图估计图像旋转角度相关推荐

最新文章

热门文章