【python opencv】直方图反投影_python

概述这是由Michael J. Swain和Dana H. Ballard在他们的论文《通过颜色直方图索引》中提出的。用简单的话说是什么意思？它用于图像分割或在图像中查找感兴趣的对象。简而言之，它创建的

这是由Michael J. Swain和Dana H. Ballard在他们的论文《通过颜色直方图索引》中提出的。

用简单的话说是什么意思？它用于图像分割或在图像中查找感兴趣的对象。简而言之，它创建的图像大小与输入图像相同（但只有一个通道），其中每个像素对应于该像素属于我们物体的概率。用更简单的话来说，与其余部分相比，输出图像将在可能有对象的区域具有更多的白色值。好吧，这是一个直观的解释。（我无法使其更简单）。直方图反投影与camshift算法等配合使用。

我们该怎么做呢？我们创建一个图像的直方图，其中包含我们感兴趣的对象（在我们的示例中是背景等）。对象应尽可能填充图像以获得更好的效果。而且颜色直方图比灰度直方图更可取，因为对象的颜色对比灰度强度是定义对象的好方法。然后，我们将该直方图“反投影”到需要找到对象的测试图像上，换句话说，我们计算出属于背景的每个像素的概率并将其显示出来。在适当的阈值下产生的输出使我们仅获得背景。

Numpy中的算法首先，我们需要计算我们要查找的对象（使其为“ M”）和要搜索的图像（使其为“ I”）的颜色直方图。

#roi是我们需要找到的对象或对象区域roi = cv.imread('梅西_roi.png')cv2_imshow(roi)hsv = cv.cvtcolor(roi,cv.color_BGR2HSV)目标是我们搜索的图像target = cv.imread(梅西.jpg)hsvt = cv.cvtcolor(target,1)"> 使用calcHist查找直方图。也可以使用np.histogram2d完成M = cv.calcHist([hsv],[0,1],None,[180,256],180,256] )I = cv.calcHist([hsvt],256] )

求出比值$R = \frac{M}{I}$。然后反向投影R，即使用R作为调色板，并以每个像素作为其对应的目标概率创建一个新图像。即B(x,y) = R[h(x,y),s(x,y)] 其中h是色调，s是像素在(x，y)的饱和度。之后，应用条件$B(x,y) = min[B(x,1]$。

h,s,v = cv.split(hsvt)R=M/IB = R[h.ravel(),s.ravel()]B = np.minimum(B,1)B = B.reshape(hsvt.shape[:2])

现在对圆盘应用卷积，$B = D \ast B$，其中D是圆盘内核。

disc = cv.getStructuringElement(cv.MORPH_ELliPSE,(5,5))cv.filter2D(B,-1,disc,B)B = np.uint8(B)cv.normalize(B,B,255,cv.norM_MINMAX)

现在最大强度的位置给了我们物体的位置。如果我们期望图像中有一个区域，则对合适的值进行阈值处理将获得不错的结果

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

原始图像：

roi图像：

处理之后：

OpenCV的反投影

OpenCV提供了一个内建的函数cv.calcBackProject()。它的参数几乎与cv.calchist()函数相同。它的一个参数是直方图，也就是物体的直方图，我们必须找到它。另外，在传递给backproject函数之前，应该对对象直方图进行归一化。它返回概率图像。然后我们用圆盘内核对图像进行卷积并应用阈值。下面是我的代码和结果:

import numpy as np cv2 as cvfrom Google.colab.patches  cv2_imshowroi = cv.imread()hsv = 计算对象的直方图roihist = cv.calcHist([hsv],1)">] ) 直方图归一化并利用反传算法cv.normalize(roihist,roihist,255) 用圆盘进行卷积disc = cv.getStructuringElement(cv.MORPH_ELliPSE,1)">))cv.filter2D(dst,dst) 应用阈值作与 *** 作ret,thresh = cv.threshold(dst,0)thresh = cv.merge((thresh,thresh,thresh))res = cv.bitwise_and(target,thresh)res = np.vstack((target,res))cv2_imshow(res)