1.目的
(1)什麼是反向投影,它可以實現什麼功能?
(2)如何使用OpenCV函數 calcBackProject 計算反向投影?
(3)如何使用OpenCV函數 mixChannels 組合圖像的不同通道?
2.原理
[1]反向投影
(1)反向投影是一種記錄給定圖像中的像素點如何適應直方圖模型像素分佈的方式。
(2)簡單的講, 所謂反向投影就是首先計算某一特徵的直方圖模型,然後使用模型去尋找圖像中存在的該特徵。
(3)例如有一個膚色直方圖 ( Hue-Saturation 直方圖 ),你可以用它來尋找圖像中的膚色區域
[2]工作原理
假設你已經通過下圖得到一個膚色直方圖(Hue-Saturation),旁邊的直方圖就是 模型直方圖 ( 代表手掌的皮膚色調)。
我們要做的就是使用 模型直方圖 (代表手掌的皮膚色調) 來檢測測試圖像中的皮膚區域。以下是檢測的步驟
(1)對測試圖像中的每個像素 ( P(i,j) ),獲取色調數據並找到該色調( h(i,j),s(i,j) )在直方圖中的bin的位置。
(2)查詢模型直方圖 中對應的bin - ( h(i,j),s(i,j) ) - 並讀取該bin的數值。
(3)將此數值儲存在新的圖像中(BackProjection)。 你也可以先歸一化 模型直方圖 ,這樣測試圖像的輸出就可以在屏幕顯示了。
(4)通過對測試圖像中的每個像素採用以上步驟, 我們得到了下面的 BackProjection 結果圖:
(5)使用統計學的語言, BackProjection 中儲存的數值代表了測試圖像中該像素屬於皮膚區域的概率 。比如以上圖爲例, 亮起的區域是皮膚區域的概率更大(事實確實如此),而更暗的區域則表示更低的概率(注意手掌內部和邊緣的陰影影響了檢測的精度)
3.部分代碼解釋
(1)mixChannels
/*
mixChannels參數解釋
src:輸入圖像數組
count:輸入圖像數量
dst:目的圖像
count:目的圖像數量
from_to:配對數組
pair_count: 配對數組數量
*/
mixChannels( &hsv, 1, &hue, 1, ch, 1 );
(2)calcBackProject
/*
calcBackProject參數解釋
hue:輸入圖像數組
1:圖像數組中圖像個數
0:用於計算反向投影的通道索引,與直方圖對應
hist:直方圖
backproj:反向投影矩陣(結果圖)
range:直方圖bins的範圍
scale:反向投影結果的縮放因子
uniform:直方圖是否是均勻的
*/
calcBackProject( &hue, 1, 0, hist, backproj, &ranges, scale, uniform );
4.完整代碼
(1)CommonInclude.h
#ifndef COMMON_INCLUDE
#define COMMON_INCLUDE
#include<iostream>
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
#endif
(2)BackProject.cpp
#include"CommonInclude.h"
/// 全局變量
Mat src; Mat hsv; Mat hue;
int bins = 25;
/**
* @函數 Hist_and_Backproj
* @簡介:Trackbar事件的回調函數
*/
void Hist_and_Backproj(int, void* )
{
MatND hist;
int histSize = MAX( bins, 2 );
float hue_range[] = { 0, 180 };
const float* ranges = { hue_range };
/// 計算直方圖並歸一化
calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false );
normalize( hist, hist, 0, 255, NORM_MINMAX, -1, Mat() );
/// 計算反向投影
MatND backproj;
/*
calcBackProject參數解釋
hue:輸入圖像數組
1:圖像數組中圖像個數
0:用於計算反向投影的通道索引,與直方圖對應
hist:直方圖
backproj:反向投影矩陣(結果圖)
range:直方圖bins的範圍
scale:反向投影結果的縮放因子
uniform:直方圖是否是均勻的
*/
calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true );
/// 顯示反向投影
imshow( "BackProj", backproj );
/// 顯示直方圖
int w = 400; int h = 400;
int bin_w = cvRound( (double) w / histSize );
Mat histImg = Mat::zeros( w, h, CV_8UC3 );
for( int i = 0; i < bins; i ++ )
{ rectangle( histImg, Point( i*bin_w, h ), Point( (i+1)*bin_w, h - cvRound( hist.at<float>(i)*h/255.0 ) ), Scalar( 0, 0, 255 ), -1 ); }
imshow( "Histogram", histImg );
}
/** @函數 main */
int main( int argc, char** argv )
{
if(argc<2){
cout << "more parameters are required!!!" << endl;
return(-1);
}
/// 讀取圖像
src = imread( argv[1], 1 );
if(!src.data){
cout << "error to read image!!!" << endl;
return(-1);
}
/// 轉換到 HSV 空間
cvtColor( src, hsv, CV_BGR2HSV );
/// 分離 Hue 通道
hue.create( hsv.size(), hsv.depth() );
int ch[] = { 0, 0 };
/*
mixChannels參數解釋
src:輸入圖像數組
count:輸入圖像數量
dst:目的圖像
count:目的圖像數量
from_to:配對數組
pair_count: 配對數組數量
*/
mixChannels( &hsv, 1, &hue, 1, ch, 1 );
/// 創建 Trackbar 來輸入bin的數目
char window_image[] = "Source image";
namedWindow( window_image, CV_WINDOW_AUTOSIZE );
createTrackbar("* Hue bins: ", window_image, &bins, 180, Hist_and_Backproj );
Hist_and_Backproj(0, 0);
/// 現實圖像
imshow( window_image, src );
/// 等待用戶反應
waitKey(0);
return 0;
}