OpenCV-图像处理（25、直方图比较） - 好文

<>直方图比较方法-概述

对输入的两张图像计算得到直方图H1与H2，归一化到相同的尺度空间
然后可以通过计算H1与H2的之间的距离得到两个直方图的相似程度进
而比较图像本身的相似程度。Opencv提供的比较方法有四种：

* Correlation 相关性比较 -（计算结果范围为 -1到1 -1很不相关，1完全一样）
* Chi-Square 卡方比较 -（计算结果越接近0，两个直方图越相似）
* Intersection 十字交叉性 -（计算公式为取两个直方图每个相同位置的值的最小值，然后求和，这个比较方式不是很好，不建议使用）
* Bhattacharyya distance 巴氏距离 - （比较结果是很准的，计算结果范围为 0-1 ，0表示两个直方图非常相关，1最不相似）
<>1. 直方图比较方法-相关性计算(CV_COMP_CORREL)

计算结果范围为 -1到1 -1很不相关，1完全一样

<>2. 直方图比较方法-卡方计算(CV_COMP_CHISQR)

计算结果越接近0，两个直方图越相似

H1,H2分别表示两个图像的直方图数据

<>3. 直方图比较方法-十字计算(CV_COMP_INTERSECT)

计算公式为取两个直方图每个相同位置的值的最小值，然后求和，这个比较方式不是很好，不建议使用

H1,H2分别表示两个图像的直方图数据

<>4. 直方图比较方法-巴氏距离计算(CV_COMP_BHATTACHARYYA )

比较结果是很准的，计算结果范围为 0-1 ，0表示两个直方图非常相关，1最不相似

H1,H2分别表示两个图像的直方图数据

<>相关API(cv::compareHist)

* 首先把图像从RGB色彩空间转换到HSV色彩空间cvtColor
* 计算图像的直方图，然后归一化到[0~1]之间calcHist和normalize;
* 使用上述四种比较方法之一进行比较compareHist
compareHist(
InputArray h1, // 直方图数据，下同
InputArray H2,
int method// 比较方法，上述四种方法之一
)

<>程序步骤：

* 加载图像数据

* 从RGB空间转换到HSV空间

* 计算直方图并归一化

* 比较直方图，并返回值

<>程序代码
#include <opencv2/opencv.hpp> #include <iostream> #include <math.h> using
namespace std; using namespace cv; string convertToString(double d); int main(
int argc, char** argv) { // 1. 声明储存基准图像和另外两张对比图像的矩阵( RGB 和 HSV ) Mat base, test1
, test2; Mat hsvbase, hsvtest1, hsvtest2; // 2. 装载基准图像(src_base) 和两张测试图像: base =
imread("E:/Experiment/OpenCV/Pictures/lenanoise.jpg"); if (!base.data) { printf(
"could not load image...\n"); return -1; } test1 = imread(
"E:/Experiment/OpenCV/Pictures/lena.jpg"); test2 = imread(
"E:/Experiment/OpenCV/Pictures/lena1.jpg"); // 3. 将图像转化到HSV格式: cvtColor(base,
hsvbase, CV_BGR2HSV);//转换为 HSV 颜色空间，也是3通道 cvtColor(test1, hsvtest1, CV_BGR2HSV);
cvtColor(test2, hsvtest2, CV_BGR2HSV); // 4. 初始化计算直方图需要的实参(bins, 范围，通道 H 和 S ).
int h_bins = 50; int s_bins = 60; int histSize[] = { h_bins, s_bins }; // hue
varies from 0 to 179, saturation from 0 to 255 float h_ranges[] = { 0, 180 };
float s_ranges[] = { 0, 256 }; const float* ranges[] = { h_ranges, s_ranges };
// Use the o-th and 1-st channels int channels[] = { 0, 1 }; // 5. 创建储存直方图的
MatND 实例: //ND 表示二维或多维的Mat ，typedef Mat MatND; 源码中MatND的声明。 Mat表示二维的数组 MatND
hist_base; MatND hist_test1; MatND hist_test2; // 6. 计算基准图像，两张测试图像 calcHist(&
hsvbase, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false);
normalize(hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat());//归一化到 0-1 之间
calcHist(&hsvtest1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true,
false); normalize(hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat());
calcHist(&hsvtest2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true,
false); normalize(hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat()); // 7.
使用4种对比标准将基准图像(hist_base)的直方图与其余各直方图进行对比: //比较的算法 CV_COMP_CORREL CHISQR
INTERSECT BHATTACHARYYA double basebase = compareHist(hist_base, hist_base,
CV_COMP_CORREL); double basetest1 = compareHist(hist_base, hist_test1,
CV_COMP_CORREL); double basetest2 = compareHist(hist_base, hist_test2,
CV_COMP_CORREL); double tes1test2 = compareHist(hist_test1, hist_test2,
CV_COMP_CORREL); printf("test1 compare with test2 correlation value :%f",
tes1test2); Mat test12; test2.copyTo(test12); // 8.
将比较的结果转换为string，然后以文字的方式绘制到图形上 putText(base, convertToString(basebase), Point(50
, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA); putText(test1
, convertToString(basetest1), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(
0, 0, 255), 2, LINE_AA); putText(test2, convertToString(basetest2), Point(50, 50
), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA); putText(test12,
convertToString(tes1test2), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0,
0, 255), 2, LINE_AA); namedWindow("base", CV_WINDOW_AUTOSIZE); namedWindow(
"test1", CV_WINDOW_AUTOSIZE); namedWindow("test2", CV_WINDOW_AUTOSIZE); imshow(
"base", base); imshow("test1", test1); imshow("test2", test2); imshow("test12",
test12); waitKey(0); return 0; } string convertToString(double d) {
ostringstream os; if (os << d) // << 运算符重载了，将double转成string return os.str();
return "invalid conversion"; }
<>运行截图

<>参考博客：

* https://blog.csdn.net/huanghuangjin/article/details/81175339
<https://blog.csdn.net/huanghuangjin/article/details/81175339>
* https://blog.csdn.net/LYKymy/article/details/83210430
<https://blog.csdn.net/LYKymy/article/details/83210430>

热门工具换一换