【OpenCV】直方圖應(yīng)用：直方圖均衡化，直方圖匹配，對(duì)比直方圖

2019-11-10 19:52:38

字體：大中小

供稿：網(wǎng)友

直方圖均衡化

直方圖均衡化（Histogram Equalization）是直方圖最典型的應(yīng)用，是圖像點(diǎn)運(yùn)算的一種。對(duì)于一幅輸入圖像，通過運(yùn)算產(chǎn)生一幅輸出圖像，點(diǎn)運(yùn)算是指輸出圖像的每個(gè)像素點(diǎn)的灰度值由輸入像素點(diǎn)決定，即：

直方圖均衡化是通過灰度變換將一幅圖像轉(zhuǎn)換為另一幅具有均衡直方圖，即在每個(gè)灰度級(jí)上都具有相同的象素點(diǎn)數(shù)過程。從分布圖上的理解就是希望原始圖像中y軸的值在新的分布中盡可能的展開。變換過程是利用累積分布函數(shù)對(duì)原始分布進(jìn)行映射，生成新的均勻拉伸的分布。因此對(duì)應(yīng)每個(gè)點(diǎn)的操作是尋找原始分布中y值在均勻分布中的位置，如下圖是理想的單純高斯分布映射的示意圖：

（圖片來源：《Learnning OpenCV》 p189）

OpenCV中的cvEqualizeHist

OpenCV中有灰度直方圖均衡化的函數(shù)cvEqualizeHist，接口很明朗：

[cpp] view plain copyvoid cvEqualizeHist( const CvArr* src, CvArr* dst );

注意此函數(shù)只能處理單通道的灰色圖像，對(duì)于彩色圖像，我們可以把每個(gè)信道分別均衡化，再M(fèi)erge為彩色圖像。

實(shí)踐：圖像直方圖均衡化

[cpp] view plain copyint main() { iplImage * image= cvLoadImage("baboon.jpg"); //顯示原圖及直方圖 myShowHist("Source",image); IplImage* eqlimage=cvCreateImage(cvGetSize(image),image->depth,3); //分別均衡化每個(gè)信道 IplImage* redImage=cvCreateImage(cvGetSize(image),image->depth,1); IplImage* greenImage=cvCreateImage(cvGetSize(image),image->depth,1); IplImage* blueImage=cvCreateImage(cvGetSize(image),image->depth,1); cvSplit(image,blueImage,greenImage,redImage,NULL); cvEqualizeHist(redImage,redImage); cvEqualizeHist(greenImage,greenImage); cvEqualizeHist(blueImage,blueImage); //均衡化后的圖像 cvMerge(blueImage,greenImage,redImage,NULL,eqlimage); myShowHist("Equalized",eqlimage); } 原始圖像及灰度直方圖如下：

均衡化后的直方圖：

直方圖匹配

直方圖匹配又叫直方圖規(guī)定化（Histogram Normalization/Matching）是指對(duì)一副圖像進(jìn)行變換，使其直方圖與另一幅圖像的直方圖或特定函數(shù)形式的直方圖進(jìn)行匹配。應(yīng)用場(chǎng)景如不同光照條件下的兩幅圖像，我們可以在比較兩幅圖像前先進(jìn)行匹配變化。

參考shlkl99上傳的直方圖匹配代碼，將圖像規(guī)定化為高斯分布函數(shù)。

[cpp] view plain copy//將圖像與特定函數(shù)分布histv[]匹配 void myHistMatch(IplImage *img,double histv[]) { int bins = 256; int sizes[] = {bins}; CvHistogram *hist = cvCreateHist(1,sizes,CV_HIST_ARRAY); cvCalcHist(&img,hist); cvNormalizeHist(hist,1); double val_1 = 0.0; double val_2 = 0.0; uchar T[256] = {0}; double S[256] = {0}; double G[256] = {0}; for (int index = 0; index<256; ++index) { val_1 += cvQueryHistValue_1D(hist,index); val_2 += histv[index]; G[index] = val_2; S[index] = val_1; } double min_val = 0.0; int PG = 0; for ( int i = 0; i<256; ++i) { min_val = 1.0; for(int j = 0;j<256; ++j) { if( (G[j] - S[i]) < min_val && (G[j] - S[i]) >= 0) { min_val = (G[j] - S[i]); PG = j; } } T[i] = (uchar)PG; } uchar *p = NULL; for (int x = 0; x<img->height;++x) { p = (uchar*)(img->imageData + img->widthStep*x); for (int y = 0; y<img->width;++y) { p[y] = T[p[y]]; } } } // 生成高斯分布 void GenerateGaussModel(double model[]) { double m1,m2,sigma1,sigma2,A1,A2,K; m1 = 0.15; m2 = 0.75; sigma1 = 0.05; sigma2 = 0.05; A1 = 1; A2 = 0.07; K = 0.002; double c1 = A1*(1.0/(sqrt(2*CV_PI))*sigma1); double k1 = 2*sigma1*sigma1; double c2 = A2*(1.0/(sqrt(2*CV_PI))*sigma2); double k2 = 2*sigma2*sigma2; double p = 0.0,val= 0.0,z = 0.0; for (int zt = 0;zt < 256;++zt) { val = K + c1*exp(-(z-m1)*(z-m1)/k1) + c2*exp(-(z-m2)*(z-m2)/k2); model[zt] = val; p = p +val; z = z + 1.0/256; } for (int i = 0;i<256; ++i) { model[i] = model[i]/p; } }

實(shí)踐：直方圖匹配

對(duì)示例圖片每個(gè)信道分別進(jìn)行匹配處理

對(duì)比直方圖

OpenCV中提供了cvCompareHist函數(shù)用以對(duì)比兩個(gè)直方圖的相似度：[cpp] view plain copydouble cvCompareHist( const CvHistogram* hist1, //直方圖1 const CvHistogram* hist2, //直方圖2 int method//對(duì)比方法 ); method有CV_COMP_CORREL， CV_COMP_CHISQR，CV_COMP_INTERSECT，CV_COMP_BHATTACHARYYA四種方法，對(duì)應(yīng)公式如下：

實(shí)踐：對(duì)比不同光照條件的兩幅圖像直方圖

直方圖的對(duì)比主要用以判斷兩幅圖像的匹配度，我們?cè)囼?yàn)以下兩幅圖像直方圖對(duì)比的結(jié)果：

[cpp] view plain copyint main() { IplImage * image= cvLoadImage("myhand1.jpg"); IplImage * image2= cvLoadImage("myhand2.jpg"); int hist_size=256; float range[] = {0,255}; float* ranges[]={range}; IplImage* gray_plane = cvCreateImage(cvGetSize(image),8,1); cvCvtColor(image,gray_plane,CV_BGR2GRAY); CvHistogram* gray_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_plane,gray_hist,0,0); IplImage* gray_plane2 = cvCreateImage(cvGetSize(image2),8,1); cvCvtColor(image2,gray_plane2,CV_BGR2GRAY); CvHistogram* gray_hist2 = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_plane2,gray_hist2,0,0); //相關(guān)：CV_COMP_CORREL //卡方：CV_COMP_CHISQR //直方圖相交：CV_COMP_INTERSECT //Bhattacharyya距離：CV_COMP_BHATTACHARYYA double com=cvCompareHist(gray_hist,gray_hist2,CV_COMP_BHATTACHARYYA); cout<<com<<endl; } 輸出結(jié)果為：0.396814cvCompareHist的結(jié)果為【0,1】的浮點(diǎn)數(shù)，越小表示兩幅圖匹配度越高，0.0時(shí)兩幅圖精確匹配。（可以試驗(yàn)兩幅完全一樣的圖即為0.0）。針對(duì)上面兩幅圖，我們分別先進(jìn)行直方圖匹配變化：

之后使用cvCompareHist()對(duì)比兩幅圖像的直方圖，輸出結(jié)果為0.267421

表明兩幅圖的匹配度變高了。注意method用不同的方法對(duì)比結(jié)果是不同的。

應(yīng)用

通過對(duì)比我們可以設(shè)置EMD的閾值來判定皮膚或手的ROI?！禠earnning OpenCV》后面有相應(yīng)的練習(xí)題：收集手的膚色直方圖，對(duì)比室內(nèi)，室外手的直方圖的EMD距離，利用這些測(cè)量值設(shè)置一個(gè)距離閾值。a.利用該閾值檢測(cè)第三幅圖（如室外陰影），看能能否很好的檢測(cè)膚色直方圖。b.隨機(jī)選擇不是膚色的背景塊直方圖，觀測(cè)EMD變化，試驗(yàn)與真實(shí)膚色對(duì)比時(shí)能否很好的拒絕背景。如上也即是直方圖對(duì)比可以應(yīng)用的場(chǎng)景。