計算直方圖calcHist
直方圖是對數(shù)據(jù)集合的統(tǒng)計 ，并將統(tǒng)計結(jié)果分布于一系列提前定義的bins中。這里的數(shù)據(jù)不只指的是灰度值 ，統(tǒng)計數(shù)據(jù)可能是不論什么能有效描寫敘述圖像的特征。
如果有一個矩陣包括一張圖像的信息 (灰度值 0-255):
gray
既然已知數(shù)字的范圍包括256個值, 我們能夠?qū)⑦@個范圍切割成子區(qū)域(稱作 bins)，如:
bins
然后再統(tǒng)計掉入每個bin_{i}的像素數(shù)目。採用這一方法來統(tǒng)計上面的數(shù)字矩陣，我們能夠得到下圖( x軸表示 bin， y軸表示各個bin中的像素個數(shù))。
hist1
直方圖能夠統(tǒng)計的不不過顏色灰度，它能夠統(tǒng)計不論什么圖像特征(如梯度,方向等等)。
直方圖詳細細節(jié)
dims: 須要統(tǒng)計的特征的數(shù)目，在上例中，dims = 1由于我們只統(tǒng)計了灰度值(灰度圖像)
bins: 每一個特征空間子區(qū)段的數(shù)目，在上例中，bins = 16
range: 每一個特征空間的取值范圍，在上例中，range = [0,255]
OpenCV的直方圖計算
OpenCV提供了一個簡單的計算數(shù)組集(一般是圖像或切割后的通道)的直方圖函數(shù)calcHist。支持高達32維的直方圖。
void calcHist(
const Mat* arrays, // 圖像源數(shù)組，相同深度(CV_8U or CV_32F)，相同大小
int narrays, // 圖片個數(shù)
const int* channels, // 通道
InputArray mask, // 掩碼圖像
OutputArray hist, // 返回的直方圖
int dims, // 直方圖的維數(shù)
const int* histSize, // 每一維上直方圖的個數(shù)
const float** ranges, // 像素值的范圍
bool uniform=true,
bool accumulate=false );
說明：
channels - 用來計算直方圖的channels的數(shù)組
mask - 掩碼。假設(shè)mask不為空，那么它必須是一個8位（CV_8U）的數(shù)組，而且它的大小的和arrays[i]的大小同樣，值為1的點將用來計算
dim - 直方圖的維數(shù)。必須為正，而且不大于CV_MAX_DIMS(當前的OpenCV版本號中為32，即最大能夠統(tǒng)計32維的直方圖)
histSize - 在每一維上直方圖的個數(shù)。簡單把直方圖看作一個一個的豎條的話，就是每一維上豎條的個數(shù)
ranges - 用來進行統(tǒng)計的范圍
反投影直方圖
反向投影是一種記錄給定圖像中的像素點怎樣適應(yīng)直方圖模型像素分布的方式。
簡單的講，所謂反向投影就是首先計算某一特征的直方圖模型，然后使用模型去尋找圖像中存在的該特征。
void calcBackProject(
const Mat* arrays,
int narrays,
const int* channels,
InputArray hist,
OutputArray backProject,
const float** ranges,
double scale=1, bool uniform=true );
hist - 輸入直方圖
backProject - 反投影向量，這是一個單通道的向量，和arrays[0]具有同樣的大小和深度
以下使用膚色直方圖為例來解釋反向投影的工作原理：
使用模型直方圖(代表手掌的皮膚色調(diào))來檢測測試圖像中的皮膚區(qū)域，
- 對測試圖像中的每一個像素 ( p(i,j) ),獲取色調(diào)數(shù)據(jù)并找到該色調(diào)( h(i,j), s(i,j) )在直方圖中的bin的位置
- 查詢 模型直方圖 中相應(yīng)的bin( h(i,j), s(i,j) )并讀取該bin的數(shù)值
- 將此數(shù)值儲存在新的圖像中(BackProjection)。 你也能夠先歸一化 模型直方圖 ,這樣測試圖像的輸出就能夠在屏幕顯示了
- 通過對測試圖像中的每一個像素採用以上步驟， 得到 BackProjection 結(jié)果圖
backProjection
- 使用統(tǒng)計學(xué)的語言, BackProjection 中儲存的數(shù)值代表了測試圖像中該像素屬于皮膚區(qū)域的概率。比方以上圖為例， 亮起的區(qū)域是皮膚區(qū)域的概率更大(事實確實如此),而更暗的區(qū)域則表示更低的概率
閾值化
閾值是最簡單的圖像切割的方法。
應(yīng)用舉例：從一副圖像中利用閾值切割出我們須要的物體部分（當然這里的物體能夠是一部分或者總體）。這種圖像切割方法是基于圖像中物體與背景之間的灰度差異，并且此切割屬于像素級的切割。
為了從一副圖像中提取出我們須要的部分，應(yīng)該用圖像中的每個像素點的灰度值與選取的閾值進行比較，并作出對應(yīng)的推斷。（注意：閾值的選取依賴于詳細的問題。即：物體在不同的圖像中有可能會有不同的灰度值。）
一旦找到了須要切割的物體的像素點，我們能夠?qū)@些像素點設(shè)定一些特定的值來表示。（比如：能夠?qū)⒃撐矬w的像素點的灰度值設(shè)定為：‘0’（黑色）,其它的像素點的灰度值為：‘255’（白色）；當然像素點的灰度值能夠隨意，但最好設(shè)定的兩種顏色對照度較強，方便觀察結(jié)果）。
Threshold_Example
閾值類型
Threshold Type 1
Threshold Type 2
Threshold Type 3
Threshold Type 4
Threshold Type 5
閾值A(chǔ)PI
double threshold(
InputArray src,
OutputArray dst,
double thresh,
double maxVal,
int thresholdType);
均值漂移(Mean Shift)算法函數(shù)
該函數(shù)利用了迭代物體搜索算法，它要以一個物體的反射直方圖（back projection）和初始位置作為輸入。
搜索窗體的重心向反射直方圖的質(zhì)心（mass center）移動，該過程不斷的反復(fù)，直到達到了迭代的次數(shù)（criteria.maxCount），或者窗體中心小于一個閾值（criteria.epsilon）。
int meanShift(
InputArray probImage, // Back projection of the object histogram
Rect& window, // Initial search window
TermCriteria criteria // Stop criteria for the iterative search algorithm.
);
Camshift算法函數(shù)
該函數(shù)首先利用meanShift()函數(shù)找到物體的中心，然后調(diào)整窗體的大小并找到最優(yōu)的旋轉(zhuǎn)角度。該函數(shù)返回一個rotated rectangle數(shù)據(jù)結(jié)構(gòu)（包括物體的位置，大小和旋轉(zhuǎn)角度）。下一次搜索窗體的位置能夠通過RotatedRect::boundingRect()得到。
RotatedRect CamShift(
InputArray probImage, // Back projection of the object histogram
Rect& window, // Initial search window
TermCriteria criteria // Stop criteria for the underlying meanShift()
);
TermCriteria模板類
該類是作為迭代算法的終止條件使用的，其構(gòu)造函數(shù)須要三個參數(shù)：一個是類型，第二個參數(shù)為迭代的最大次數(shù)，最后一個是特定的閾值。
TermCriteria(int type, int maxCount, double epsilon);
類型有CV_TERMCRIT_ITER、CV_TERMCRIT_EPS、CV_TERMCRIT_ITER+CV_TERMCRIT_EPS，分別代表著迭代終止條件為達到最大迭代次數(shù)終止，迭代到閾值終止，或者兩者都作為迭代終止條件。
參考資料
OpenCV Histograms API文檔
直方圖之calcHist使用
直方圖之calcHist使用（補）
OpenCV 教程 imgproc模塊
反向投影
閾值操作
轉(zhuǎn)載請注明作者Jason Ding及其出處
Github主頁(http://jasonding1354./)
CSDN博客(http://blog.csdn.net/jasonding1354)
簡書主頁(http://www.jianshu.com/users/2bd9b48f6ea8/latest_articles)
|
