【OpenCV】直方图应用:直方图均衡化,直方图匹配,对比直方图
本文链接:https://blog.csdn.net/xiaowei_cqu/article/details/7606607
前面介绍了 数字图像灰度直方图,现在来尝试直方图的应用。
直方图均衡化
直方图均衡化(Histogram Equalization)是直方图最典型的应用,是图像点运算的一种。对于一幅输入图像,通过运算产生一幅输出图像,点运算是指输出图像的每个像素点的灰度值由输入像素点决定,即:
直方图均衡化是通过灰度变换将一幅图像转换为另一幅具有均衡直方图,即在每个灰度级上都具有相同的象素点数过程。从分布图上的理解就是希望原始图像中y轴的值在新的分布中尽可能的展开。变换过程是利用累积分布函数对原始分布进行映射,生成新的均匀拉伸的分布。因此对应每个点的操作是寻找原始分布中y值在均匀分布中的位置,如下图是理想的单纯高斯分布映射的示意图:
(图片来源:《Learnning OpenCV》 p189)
OpenCV中的cvEqualizeHist
OpenCV中有灰度直方图均衡化的函数cvEqualizeHist,接口很明朗:
void cvEqualizeHist( const CvArr* src, CvArr* dst );
注意此函数只能处理单通道的灰色图像,对于彩色图像,我们可以把每个信道分别均衡化,再Merge为彩色图像。
实践:图像直方图均衡化
int main(){ IplImage * image= cvLoadImage("baboon.jpg"); //显示原图及直方图 myShowHist("Source",image); IplImage* eqlimage=cvCreateImage(cvGetSize(image),image->depth,3); //分别均衡化每个信道 IplImage* redImage=cvCreateImage(cvGetSize(image),image->depth,1); IplImage* greenImage=cvCreateImage(cvGetSize(image),image->depth,1); IplImage* blueImage=cvCreateImage(cvGetSize(image),image->depth,1); cvSplit(image,blueImage,greenImage,redImage,NULL); cvEqualizeHist(redImage,redImage); cvEqualizeHist(greenImage,greenImage); cvEqualizeHist(blueImage,blueImage); //均衡化后的图像 cvMerge(blueImage,greenImage,redImage,NULL,eqlimage); myShowHist("Equalized",eqlimage);}原始图像及灰度直方图如下:
均衡化后的直方图:
直方图匹配
直方图匹配又叫直方图规定化(Histogram Normalization/Matching)是指对一副图像进行变换,使其直方图与另一幅图像的直方图或特定函数形式的直方图进行匹配。应用场景如不同光照条件下的两幅图像,我们可以在比较两幅图像前先进行匹配变化。
参考shlkl99上传的直方图匹配代码,将图像规定化为高斯分布函数。
//将图像与特定函数分布histv[]匹配void myHistMatch(IplImage *img,double histv[]){ int bins = 256; int sizes[] = {bins}; CvHistogram *hist = cvCreateHist(1,sizes,CV_HIST_ARRAY); cvCalcHist(&img,hist); cvNormalizeHist(hist,1); double val_1 = 0.0; double val_2 = 0.0; uchar T[256] = {0}; double S[256] = {0}; double G[256] = {0}; for (int index = 0; index<256; ++index) { val_1 += cvQueryHistValue_1D(hist,index); val_2 += histv[index]; G[index] = val_2; S[index] = val_1; } double min_val = 0.0; int PG = 0; for ( int i = 0; i<256; ++i) { min_val = 1.0; for(int j = 0;j<256; ++j) { if( (G[j] - S[i]) < min_val && (G[j] - S[i]) >= 0) { min_val = (G[j] - S[i]); PG = j; } } T[i] = (uchar)PG; } uchar *p = NULL; for (int x = 0; x<img->height;++x) { p = (uchar*)(img->imageData + img->widthStep*x); for (int y = 0; y<img->width;++y) { p[y] = T[p[y]]; } }} // 生成高斯分布void GenerateGaussModel(double model[]){ double m1,m2,sigma1,sigma2,A1,A2,K; m1 = 0.15; m2 = 0.75; sigma1 = 0.05; sigma2 = 0.05; A1 = 1; A2 = 0.07; K = 0.002; double c1 = A1*(1.0/(sqrt(2*CV_PI))*sigma1); double k1 = 2*sigma1*sigma1; double c2 = A2*(1.0/(sqrt(2*CV_PI))*sigma2); double k2 = 2*sigma2*sigma2; double p = 0.0,val= 0.0,z = 0.0; for (int zt = 0;zt < 256;++zt) { val = K + c1*exp(-(z-m1)*(z-m1)/k1) + c2*exp(-(z-m2)*(z-m2)/k2); model[zt] = val; p = p +val; z = z + 1.0/256; } for (int i = 0;i<256; ++i) { model[i] = model[i]/p; }}
实践:直方图匹配
对示例图片每个信道分别进行匹配处理
对比直方图
OpenCV中提供了cvCompareHist函数用以对比两个直方图的相似度:
double cvCompareHist( const CvHistogram* hist1, //直方图1 const CvHistogram* hist2, //直方图2 int method//对比方法);method有CV_COMP_CORREL, CV_COMP_CHISQR,CV_COMP_INTERSECT,CV_COMP_BHATTACHARYYA四种方法,对应公式如下:
实践:对比不同光照条件的两幅图像直方图
直方图的对比主要用以判断两幅图像的匹配度,我们试验以下两幅图像直方图对比的结果:
int main(){ IplImage * image= cvLoadImage("myhand1.jpg"); IplImage * image2= cvLoadImage("myhand2.jpg"); int hist_size=256; float range[] = {0,255}; float* ranges[]={range}; IplImage* gray_plane = cvCreateImage(cvGetSize(image),8,1); cvCvtColor(image,gray_plane,CV_BGR2GRAY); CvHistogram* gray_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_plane,gray_hist,0,0); IplImage* gray_plane2 = cvCreateImage(cvGetSize(image2),8,1); cvCvtColor(image2,gray_plane2,CV_BGR2GRAY); CvHistogram* gray_hist2 = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_plane2,gray_hist2,0,0); //相关:CV_COMP_CORREL //卡方:CV_COMP_CHISQR //直方图相交:CV_COMP_INTERSECT //Bhattacharyya距离:CV_COMP_BHATTACHARYYA double com=cvCompareHist(gray_hist,gray_hist2,CV_COMP_BHATTACHARYYA); cout<<com<<endl;}
输出结果为:0.396814
cvCompareHist的结果为【0,1】的浮点数,越小表示两幅图匹配度越高,0.0时两幅图精确匹配。(可以试验两幅完全一样的图即为0.0)。
针对上面两幅图,我们分别先进行直方图匹配变化:
之后使用cvCompareHist()对比两幅图像的直方图,输出结果为0.267421
表明两幅图的匹配度变高了。
注意method用不同的方法对比结果是不同的。
应用
通过对比我们可以设置EMD的阈值来判定皮肤或手的ROI。《Learnning OpenCV》后面有相应的练习题:收集手的肤色直方图,对比室内,室外手的直方图的EMD距离,利用这些测量值设置一个距离阈值。
a.利用该阈值检测第三幅图(如室外阴影),看能能否很好的检测肤色直方图。
b.随机选择不是肤色的背景块直方图,观测EMD变化,试验与真实肤色对比时能否很好的拒绝背景。
如上也即是直方图对比可以应用的场景。
转载请注明出处:http://blog.csdn.net/xiaowei_cqu/article/details/7606607
实验代码下载:http://download.csdn.net/detail/xiaowei_cqu/4332914
————————————————
版权声明:本文为CSDN博主「xiaowei_cqu」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/xiaowei_cqu/article/details/7606607
【OpenCV】直方图应用:直方图均衡化,直方图匹配,对比直方图相关推荐
- OpenCV之imgproc 模块. 图像处理(4)直方图均衡化 直方图计算 直方图对比 反向投影 模板匹配
直方图均衡化 目标 在这个教程中你将学到: 什么是图像的直方图和为什么图像的直方图很有用 用OpenCV函数 equalizeHist 对图像进行直方图均衡化 原理 图像的直方图是什么? 直方图是图像 ...
- 直方图应用:直方图均衡化,直方图匹配,对比直方图
直方图均衡化 直方图均衡化(Histogram Equalization)是直方图最典型的应用,是图像点运算的一种.对于一幅输入图像,通过运算产生一幅输出图像,点运算是指输出图像的每个像素点的灰度值由 ...
- 【opencv】(7) 图像匹配、直方图、图像均衡化
各位同学好,今天和大家分享一下opencv中图像匹配方法,和图像均衡化方法 (1)模板匹配: cv2.matchTemplate():(2)图像直方图: cv2.calcHist():(3)图像均衡化 ...
- OpenCV学习笔记(十六):直方图均衡化:equalizeHist()
OpenCV学习笔记(十六):直方图均匀化:equalizeHist() 参考博客: 直方图均衡化的数学原理 直方图匹配的数学原理 直方图均衡化广泛应用于图像增强中: 直方图均衡化处理的"中 ...
- 【OpenCV 例程200篇】48. 图像增强—彩色直方图匹配
[OpenCV 例程200篇]48. 图像增强-彩色直方图匹配 欢迎关注 『OpenCV 例程200篇』 系列,持续更新中 欢迎关注 『Python小白的OpenCV学习课』 系列,持续更新中 图像直 ...
- 【OpenCV入门指南】第十篇 彩色直方图均衡化
上一篇<OpenCV第十篇灰度直方图均衡化>介绍了灰度图像的直方图均衡化,实际生活中,肯定还是彩色图像用的最多,因此本篇介绍对彩色图像进行直方图均衡化.这样可以让大家直方图均衡化对图像增强 ...
- OpenCv:直方图均衡化(HE),自适应直方图均衡化(AHE),限制对比度自适应直方图均衡化(CLAHE)
总结了使用Python OpenCv处理图像直方图均衡化(HE),自适应直方图均衡化(AHE),限制对比度自适应直方图均衡化(CLAHE)的方法. 目录 直方图均衡化(HE) 自适应直方图均衡化(AH ...
- OpenCV学习——直方图、边缘检测、模板匹配以及霍夫变化
OpenCV学习--直方图.边缘检测.模板匹配以及霍夫变化 OpenCV学习--直方图.边缘检测.模板匹配以及霍夫变化 直方图 图像直方图 直方图的术语和意义 掩膜的应用 直方图均衡化 自适应的直方图 ...
- 学习笔记(二)——直方图均衡化和匹配
本文为原创作品,转载请注明出处 欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing/ 作者: 晨 ...
最新文章
- 对 Thinking in java 4th Edition I/O DirList.java的疑问
- 创始人爆料!被谷歌收购前,DeepMind 已濒临破产
- node中模块、AMD与CMD、ES6模块,node中使用ES6
- GMGridView cell button
- 【Xamarin挖墙脚系列:Xamarin4.0的重大变更】
- 一个百亿级日志系统是怎么设计出来的?
- python网页表格读取_是否可以读取网页html表格数据?
- AirPods Pro 到底「Pro」在哪里?
- 演示一个简单的Redis队列
- 使用fetch函数发送ajax
- 和“内存杀手” Chrome 说再见!新版 Edge 即将发布
- 绥化二中高考成绩查询2021,2014绥化中考
- GetLastError错误码大全
- 通信电子电路实验(一)—— 高频小信号调谐放大器电路设计
- html5网页设计作业代码 大学生校园网站制作 学校官网制作html
- Mujoco平面双足机器人模拟
- 小米、Vivo、Oppo后台弹出界面和锁屏权限检测
- 四川锦城学院计算机专业好不,四川大学锦城学院计算机专业如何?
- 基于matlab的Hough变换图像直线检测算法仿真
- 一维数组新老数据对比修改字段
热门文章
- python图像增强_Python图像的增强处理操作示例【基于ImageEnhance类】
- python3.x版本的保留字总数是多少_Python3.6.5版本的保留字总数是:()-智慧树大数据分析的python基础章节答案...
- python学习-装饰器(可变参装饰器、完善装饰器)
- linux nat span端口镜像,SPAN端口镜像
- getelementbyid获取不到js加载的元素_Selenium元素定位不到?JS注入轻松搞定!
- php基础遍历,php 数据遍历
- 查看git当前tag_常用的 Git 命令清单
- android rtsp协议转http协议_网络协议HTTP 协议(一)
- java 倒序分页_翻动100万级的数据(自定义的MSSQL分页查询过程)
- 送女朋友一朵 “电子” 花,手把手教你!