一、學習目標

1. 了解了直方圖反向投影的一般流程
2. 了解2D直方圖的使用

如有錯誤歡迎指出~

二、了解直方圖反向投影

2.1 了解2D直方圖

需要對直方圖進行反向投影，需要使用2D直方圖。2D直方圖需要使用calcHist方法。calcHist方法在前兩節中已經有了解，現在再來復習一下。首先我們查看calcHist方法的原型。

calcHist(images; channels; mask; histSize; ranges[; hist[; accumulate]])

calcHist方法中images參數為所需要傳入的圖像，接受類型為uint8以及float32，參入參數時可以使用[]對參數進行標記；
channels為傳入的通道數；
mask為一個遮罩，如果為None則表示對全圖進行操作，若選擇其中一個部分就需要制作一個遮罩對局部進行操作；
histSize為一個范圍，或者說是BIN的數目；
ranges表示像素值范圍。

我們要繪制一個顏色直方圖的話，需要對BGR色彩空間進行轉換，轉換為HSV：

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread(r'C:\Users\mx\Desktop\1.jpg')hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

隨后我們使用calcHist方法傳入數值，這個時候channels應該為[0,1]，mask我們依舊為None，因為我們需要處理全圖；而histSize則表示了兩個通道，H以及S，所以應該寫成[180,256]，即H通道為180，S通道為256，最后一個range則為[0,180,0,256]，表示H取值范圍在和S的取值范圍。那么整體的代碼如下：

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread(r'C:\Users\mx\Desktop\1.jpg')hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)hist = cv2.calcHist([hsv], [0,1], None, [180,256], [0,180,0,256])plt.imshow(hist, interpolation='nearest')
plt.show()

結果如下：

2.2 了解直方圖反向投影

直方圖反向投影可以在圖像中找到我們感應區的部分，直方圖反向投影將會輸出模板圖像中類似的部分，越亮的的部分則表示得越白。我們需要完成這個操作首先得有一張需要查找的對象，隨后需要一張圖為查找區域。我們可以先對需要查找目標的圖像創建一個直方圖，隨后進行歸一化處理。歸一化處理使用normalize方法。
首先我們進行讀取圖片與轉換HSV色彩空間圖，也順帶一起讀取目標掃描的圖片，原圖和目標圖、代碼如下：
原圖：

目標圖：

roi = cv2.imread(r'C:\Users\mx\Desktop\gz\roi.png')
hsv_roi = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV)
target = cv2.imread(r'C:\Users\mx\Desktop\gz\4.png')
hsv_target = cv2.cvtColor(target,cv2.COLOR_BGR2HSV)

隨后對hsv_roi 感興趣的部分進行2D直方圖處理：

roihist = cv2.calcHist([hsv_roi],[0, 1], None, [180, 256], [0, 180, 0, 256] )

接下來使用normalize方法進行歸一化；歸一化是將數據達到一種可進行對比的標準，但是保持了原有數據間的關系。代碼為：

cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX)

其中roihist為輸入數據，roihist為與src大小相同的輸出數據，0為一個范圍低邊界，255為范圍的上限，cv2.NORM_MINMAX是一個歸一化的方法，表示對數組的所有值進行轉化，使值的映射在最小值和最大值之間。這樣歸一化后他們的值就在0到255之間了。接著我們使用calcBackProject方法，calcBackProject方法與calcHist的參數類似。 cvCalcBackProject 用于計算直方圖的反向投影，得到的結果是數組在某個分布下的概率。

dst = cv2.calcBackProject([hsv_target],[0,1],roihist,[0,180,0,256],1) 

隨后使用getStructuringElement方法進行卷積，把分散點連接：

gSEE = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
dst=cv2.filter2D(dst,-1,gSEE)

接著使用閥值方法：

ret,thresh = cv2.threshold(dst,50,255,0)

最后進行合并：

trh = cv2.merge((trh,trh,trh))

完整代碼如下：

import cv2
import numpy as np
from matplotlib import pyplot as pltroi = cv2.imread(r'C:\Users\mx\Desktop\gz\roi.png')
hsv_roi = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV)
target = cv2.imread(r'C:\Users\mx\Desktop\gz\4.png')
hsv_target = cv2.cvtColor(target,cv2.COLOR_BGR2HSV)roihist = cv2.calcHist([hsv_roi],[0, 1], None, [180, 256], [0, 180, 0, 256] )
cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX)
dst = cv2.calcBackProject([hsv_target],[0,1],roihist,[0,180,0,256],1)
gSEE = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
dst=cv2.filter2D(dst,-1,gSEE)
ret,trh = cv2.threshold(dst,50,255,0)
trh = cv2.merge((trh,trh,trh))
cv2.imshow('trh',trh)
cv2.waitKey(0)
cv2.destroyAllWindows()

結果如下：

當然我們也可以進行位運算，這樣我們就可以取出顏色部分了，所有完整代碼如下：

import cv2
import numpy as np
from matplotlib import pyplot as pltroi = cv2.imread(r'C:\Users\mx\Desktop\gz\roi.png')
hsv_roi = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV)
target = cv2.imread(r'C:\Users\mx\Desktop\gz\4.png')
hsv_target = cv2.cvtColor(target,cv2.COLOR_BGR2HSV)roihist = cv2.calcHist([hsv_roi],[0, 1], None, [180, 256], [0, 180, 0, 256] )
cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX)
dst = cv2.calcBackProject([hsv_target],[0,1],roihist,[0,180,0,256],1)
gSEE = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
dst=cv2.filter2D(dst,-1,gSEE)ret,trh = cv2.threshold(dst,50,255,0)
trh = cv2.merge((trh,trh,trh))
cv2.imshow('trh',trh)
res = cv2.bitwise_and(target,trh)
cv2.imwrite('res.jpg',res)
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

結果如下：

我們也可以換一下圖：
roi：

目標：

結果：

該系列首發于ebaina