目录
25 直方图-4：直方图反投影
25.1 目标
在本章中，我们将学习直方图反投影。
25.2 理论
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，离开播放器等）。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。
25.3 Numpy中的算法
1.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。
import cv2 as cv # roi是我们需要找到的对象或对象区域 roi = cv.imread('roi.jpg') hsv = cv.cvtColor(roi, cv.COLOR_BGR2HSV) # 目标是我们搜索的图像 target = cv.imread('rose.jpg') hsv_target = cv.cvtColor(target, cv.COLOR_BGR2HSV) # 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], [0, 180, 0, 256]) I = cv.calcHist([hsv_target], [0, 1], None, [180, 256], [0, 180, 0, 256])
2.求出比值
。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
其中h是色调，s是像素在(x，y)的饱和度。之后，应用条件
。
h,s,v = cv.split(hsvt) B = R[h.ravel(),s.ravel()] B = np.minimum(B,1) B = B.reshape(hsvt.shape[:2])
3.现在对圆盘应用卷积，
，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,0,255,cv.NORM_MINMAX)
4.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)
就是这样！！
25.4 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。下面是代码和运行结果：
import numpy as np import cv2 as cv # roi是我们需要找到的对象或对象区域 roi = cv.imread('roi.jpg') hsv = cv.cvtColor(roi, cv.COLOR_BGR2HSV) # 目标是我们搜索的图像 target = cv.imread('rose.jpg') hsv_target = cv.cvtColor(target, cv.COLOR_BGR2HSV) # 计算对象的直方图 roi_hist = cv.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256]) # 直方图归一化并利用反传算法 cv.normalize(roi_hist, roi_hist, 0, 255, cv.NORM_MINMAX) dst = cv.calcBackProject([hsv_target], [0, 1], roi_hist, [0, 180, 0, 256], 1) # 用圆盘进行卷积 disc = cv.getStructuringElement(cv.MORPH_ELLIPSE, (5, 5)) cv.filter2D(dst, -1, disc, dst) # 应用阈值作与操作 ret, thresh = cv.threshold(dst, 50, 255, 0) thresh = cv.merge((thresh, thresh, thresh)) res = cv.bitwise_and(target, thresh) res = np.vstack((target, thresh, res)) cv.imwrite('res.jpg', res)
以下是我处理过的一个示例。我将小姐姐头发矩形内的区域用作示例对象，我想提取整个绿色头发。
编辑
欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。
顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。
编辑
