首页 > 代码库 > OpenCV2马拉松第10圈——直方图反向投影(back project)

OpenCV2马拉松第10圈——直方图反向投影(back project)

收入囊中
  • 灰度图像的反向投影
  • 彩色图像的反向投影
  • 利用反向投影做object detect

葵花宝典
什么是反向投影?事实上没有那么高大上!
在上一篇博文学到,图像能够获得自己的灰度直方图.
反向投影差点儿相同是逆过程,由直方图得到我们的投影图。
步骤例如以下:
  1. 依据模版图像,得到模版图像的灰度直方图.
  2. 对灰度直方图对归一化,归一化后是个概率分布,直方图的积分是1
  3. 依据概率分布的直方图,求输入图像的投影图,也就是对每个像素点,我们依据灰度值,能够得到其概率
  4. 得到的投影图是介于[0,1]之间的,为了方便显示,要作对应的扩大,一般以255最经常使用

举个样例,我们取右边方框作模版图像

我们再来看以下的图:
先看after project,很暗,由于概率直方图的值都很小,要知道平均值1/255是多么小,扩大255倍也仅仅有1...很黑
为了清楚显示,作了reverse操作,f[i]=255-f[i],after reverse就比較明显,当中,白色亮区域是低概率位置,比較暗的是高概率位置。
最后,进行了一次二值化


二值化后黑色的区域就可能是我们的模版匹配的地方,可是,这种点太多了,改进的方法就是不用灰度投影,而採用彩色投影。



初识API
C++: void calcBackProject(const Mat* images, int nimages, const int* channels, InputArray hist, OutputArray backProject, const float** ranges, double scale=1, bool uniform=true )
 
  • images – Source arrays. They all should have the same depth, CV_8U or CV_32F , and the same size. Each of them can have an arbitrary number of channels.
  • nimages – Number of source images.
  • channels – The list of channels used to compute the back projection. The number of channels must match the histogram dimensionality. The first array channels are numerated from 0 to images[0].channels()-1 , the second array channels are counted from images[0].channels() to images[0].channels() + images[1].channels()-1, and so on.
  • hist – Input histogram that can be dense or sparse.
  • backProject – Destination back projection array that is a single-channel array of the same size and depth as images[0] .
  • ranges – Array of arrays of the histogram bin boundaries in each dimension. See calcHist() .
  • scale – Optional scale factor for the output back projection.
  • uniform – Flag indicating whether the histogram is uniform or not (see above).
对于參数就不多作解释了,由于和计算直方图的參数差点儿一摸一样,scale是个扩大系数,常常取255.我们通过以下的样例来进一步巩固。


荷枪实弹
刚才的那3个效果图大家都看到了,我就先拿出灰度反向投影的代码
这段代码比較简单,由于Histogram1D这个类见了非常多次了
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
using namespace cv;
using namespace std;

class Histogram1D {
private:
	int histSize[1]; // number of bins
	float hranges[2]; // min and max pixel value
	const float* ranges[1];
	int channels[1]; // only 1 channel used here
public:
	Histogram1D() {
		histSize[0]= 256;
		hranges[0]= 0.0;
		hranges[1]= 255.0;
		ranges[0]= hranges;
		channels[0]= 0;
	}
	
	Mat getHistogram(const cv::Mat &image) {
		Mat hist;
		calcHist(&image,1,channels,Mat(),hist,1,histSize,ranges);
		return hist;
	}
};

Mat applyLookUp(const cv::Mat& image,const cv::Mat& lookup) { 
	Mat result;
	cv::LUT(image,lookup,result);
	return result;
}


int main( int, char** argv )
{
  	Mat image,gray,backproj;
  	image = imread( argv[1], 1 );
  	if( !image.data )
  		return -1;
  	cvtColor(image, gray, CV_BGR2GRAY);
    
	Mat imageROI;
	imageROI= gray(cv::Rect(360,55,40,50)); // 模版图像

	Histogram1D h;
	Mat hist= h.getHistogram(imageROI);
	normalize(hist,hist,1.0);           //归一化,得到概率直方图
	float range[] = { 0, 255 };
  	const float* ranges = { range };
	calcBackProject( &gray, 1, 0, hist, backproj, &ranges, 255.0);  //反向投影,最重要的一步
	
	namedWindow("after project");
	imshow("after project",backproj);
	
	Mat lut(1,256,CV_8U);
	for (int i=0; i<256; i++) {
		lut.at<uchar>(i)= 255-i;     //reverse操作
	}
	Mat out = applyLookUp(backproj,lut);
	namedWindow("after reverse");
	imshow("after reverse",out);
	
	threshold(out, out, 240 ,255, THRESH_BINARY);    // 以240为分界线,<240为0,否则为255
	namedWindow("after threshold");
	imshow("after threshold",out);

  	waitKey(0);
  	return 0;
}

之前有提到过,灰度反向投影太不准确,非常多错误的点都被弄进来了,以下,我们实现彩色反向投影。
先介绍一个类,跟Histogram1D非常像,仅仅只是是3D了 0 0
class ColorHistogram {
  private:
    int histSize[3];
	float hranges[2];
    const float* ranges[3];
    int channels[3];

  public:

	ColorHistogram() {

		// Prepare arguments for a color histogram
		histSize[0]= histSize[1]= histSize[2]= 256;
		hranges[0]= 0.0;    // BRG range
		hranges[1]= 255.0;
		ranges[0]= hranges; // all channels have the same range 
		ranges[1]= hranges; 
		ranges[2]= hranges; 
		channels[0]= 0;		// the three channels 
		channels[1]= 1; 
		channels[2]= 2; 
	}

	// Computes the histogram.
	Mat getHistogram(const Mat &image) {

		Mat hist;

		// BGR color histogram
		hranges[0]= 0.0;    // BRG range
		hranges[1]= 255.0;
		channels[0]= 0;		// the three channels 
		channels[1]= 1; 
		channels[2]= 2; 

		calcHist(&image, 1,	channels,Mat(),	hist,3,histSize,ranges);
		return hist;
	}

	Mat colorReduce(const Mat &image, int div=64) {
		int n= (int)(log((double)(div))/log(2.0));
		// mask used to round the pixel value
		uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0

	  	Mat_<Vec3b>::const_iterator it= image.begin<Vec3b>();
	  	Mat_<Vec3b>::const_iterator itend= image.end<Vec3b>();

	  	// Set output image (always 1-channel)
	 	Mat result(image.rows,image.cols,image.type());
	 	Mat_<Vec3b>::iterator itr= result.begin<Vec3b>();

	  	for ( ; it!= itend; ++it, ++itr) {
        	(*itr)[0]= ((*it)[0]&mask) + div/2;
        	(*itr)[1]= ((*it)[1]&mask) + div/2;
        	(*itr)[2]= ((*it)[2]&mask) + div/2;
	  	}

	  	return result;
	}

};
最须要注意的是colorReduce这种方法
假如div = 16,那么最后的单通道颜色仅仅有16种。由256变成了16,也就是本来的256^3,缩小成了16^3
我们处理彩色图像前,最好先对颜色作color reduce.
我的想法是,由于原来的色彩太多了,256^3,范围太大,直方图概率函数会非常小,可能就会发生难以预料的错误了,比方会造成基本同样的颜色却推断不一致。

我们再来看一个类
class ContentFinder {
private:
	float hranges[2];
	const float* ranges[3];
	int channels[3];
	float threshold;
	Mat histogram;
	
public:
	ContentFinder() : threshold(-1.0f) {
		hranges[0]= 0.0;	
		hranges[1]= 255.0;
		channels[0]= 0;		
		channels[1]= 1; 
		channels[2]= 2; 
		ranges[0]= hranges;
		ranges[1]= hranges;
		ranges[2]= hranges;
	}

	// Sets the threshold on histogram values [0,1]
	void setThreshold(float t) {
		threshold= t;
	}
	
	// Gets the threshold
	float getThreshold() {
		return threshold;
	}
	
	//设置了直方图,并归一化,生成概率直方图
	void setHistogram(const Mat& h) {
		histogram= h;
		normalize(histogram,histogram,1.0);     
	}
	
	Mat find(const Mat& image) {
		Mat result;
		//最重要的一步,产生反向投影图	
		calcBackProject(&image, 1,channels,histogram,result,ranges,255.0);
                //二值化
		if (threshold>0.0)
			cv::threshold(result, result,255*threshold, 255, cv::THRESH_BINARY);
		return result;
	}

};

然后,看下我们的main函数
int main( int, char** argv )
{
  	Mat color;
  	color = imread( argv[1], 1 );
  	if( !color.data )
  		return -1;
  		
  	ColorHistogram hc;

	// reduce colors
	color = hc.colorReduce(color,32);
	// blue sky area
	Mat imageROI = color(Rect(0,0,165,75));
	Mat hist= hc.getHistogram(imageROI);
	ContentFinder finder;
	finder.setHistogram(hist);
	finder.setThreshold(0.05f);

	Mat result= finder.find(color);
	
	namedWindow("sample");
	imshow("sample",result);

  	waitKey(0);
  	return 0;
}

我们来看一下效果,先看原图,我们选取了左上角的蓝天作模版图



以下是二值化后的反向投影图,白色的就是我们的蓝天


假设不作二值化会怎么样》我们看一看图片

好像效果更不错,由于最上面的更蓝,概率大
以下一点的是淡蓝天空,所以图就有点灰,表示概率有点小


举一反三
刚接触back project时,我一直不知道它能干什么用...还以为仅仅是个玩具TAT
不仅能用RGB空间的直方图,还能用HSV空间去做meanshift.


计算机视觉讨论群:162501053
转载请注明:http://blog.csdn.net/abcd1992719g