之前寫過一篇【opencv】帶你再學一遍直方圖，裏面的內容可以看下圖。所以今天還要再再再學一個直方圖的API：直方圖反投影。
直方圖反向投影是幹啥的呢，它用於圖像分割或在圖像中查找感興趣的對象。用什麼來查找呢？用直方圖。
直方圖在一定程度上可以反應圖像的特徵，我們截取一個有固定特徵的樣例，比如草地，然後計算該塊草地的直方圖，然後用這個直方圖去和整幅圖像的直方圖做對比，根據一定的判斷條件，就能得出相似的即爲草地。
看着就像是語義分割，其實一定意義上這就是語義分割，這不過直方圖反向分割的依據是人爲計算的（直方圖）,後者分割的依據是靠在神經網絡中學習得來的。
我們先看一下opencv直方圖反向計算得API：
void cv::calcBackProject(
const Mat * images, //要進行投影的輸入圖像的地址，注意該API要求輸入的是地址
int nimages,//輸入圖像的數目
const int * channels,//要進行投影的通道數
InputArray hist,//樣本得直方圖
OutputArray backProject,//輸出得反向投影，爲Mat類型
const float ** ranges, //輸入直方圖得特徵空間的取值範圍
double scale = 1,
bool uniform = true
)
一：該API得實現原理是什麼呢
假設我們現在有一個四行四列得灰度圖，它得灰度值如下圖：
說這幅圖有什麼特徵呢？直觀上看類似於一個邊角，但這是直觀上，怎麼表示出來呢？深度學習是靠神經網絡黑箱計算出來得，我們可以用直方圖。
那我們就計算這幅灰度圖得直方圖，如果以組距爲1計算直方圖並反向投影到原圖，得到得爲下圖：
可以大概表述一下邊角得特徵：左下角有6個像素值相同得三角形區域，中間斜向下有四個像素值相同得邊界線，以此類推。這就是用直方圖得到得邊角得特徵。
那如果以組距爲2計算直方圖呢？反向投影后爲：
可以看到特徵描述得更爲廣泛了，就像深度學習裏，提取更高層次得特徵，雖然更爲普適，但也會忽略掉一些細節特徵。
我們就是拿這個反向投影所表達得特徵信息，去和整幅圖做對比，來得到特徵相似得部分，達到分割得效果。
二：利用反向投影進行語義分割
先看一下我們今天要處理得圖片：
我們今天要做得就是將這條公路給提取出來。
1，先讀取原圖以及樣本圖，並轉換爲HSV格式。
//【1】讀取圖片
Mat srcImage = imread("風景圖.jpg");
Mat RoiImage = imread("公路2.png");
//【2】轉換爲HSV圖像
Mat HsvImage, RoiImage_HSV;
cvtColor(srcImage, HsvImage, COLOR_BGR2HSV);
cvtColor(RoiImage, RoiImage_HSV, COLOR_BGR2HSV);
爲什麼轉HSV呢？因爲HSV表達顏色更爲方便區分，我們今天用到得只有前兩個通道：H（色調）和S（飽和度），不用V（亮度）。
來看一下我們截取得樣本圖：
這是我們在公路上隨便截取得一塊兒樣本，可以看到整條公路大概都是這個樣子。
2，計算樣本圖得直方圖並進行歸一化
//【3】計算公路的直方圖
MatND roiHist; //直方圖對象
int dims = 2; //特徵數目（直方圖維度）
float hranges[] = { 0,180 }; //特徵空間的取值範圍
float Sranges[] = { 0,256 };
const float *ranges[] = { hranges,Sranges };
int size[] = { 20,32 }; //存放每個維度的直方圖的尺寸的數組
int channels[] = {0,1}; //通道數
calcHist(&RoiImage_HSV,1, channels, Mat(), roiHist, dims, size, ranges);
//【4】直方圖歸一化
normalize(roiHist, roiHist, 0, 255, NORM_MINMAX);
代碼第7行，我們計算H和S通道直方圖的組距分別爲20和32，我們採用更小的組距來抓取更大的特徵區域。
爲什麼要歸一化呢，直方圖反向投影到原圖後，原圖各位置表示的是整幅圖中等於該點像素值的數量，歸一化後就變成概率了。
3，將計算的歸一化後的直方圖進行反向投影
//【5】反向投影
Mat proImage; //投影輸出圖像
calcBackProject(&HsvImage, 1, channels, roiHist, proImage, ranges);
反向投影后的原圖：
可以大概看出公路的輪廓了吧？
4，上一篇圖像醃膜Mask的常規操作你真的信手拈來嗎？介紹了掩碼操作，這裏我們就要用掩碼將公路給摳出來顯示：
效果並不是想象中那麼好是吧哈，感覺還是語義分割要更準確些。但準確能當女朋友嗎？
後期再加上些邊緣檢測和霍夫直線變換，和一些其他騷操作，就可以提取公路啊，車道線啥的了。
如果覺的有幫助，就點個贊再走吧~
另外我分享了近6G視覺各門類電子書，公衆號後臺回覆【電子書資源】自取呀。
