前情提要
利用颜色直方图查找感兴趣对象:计算出属于感兴趣区域的每个像素的概率并将其显示出来。在适当的阈值下产生的输出使我们仅获得感兴趣区域(个人理解适应与颜色对比明显的感兴趣区域提取)。
目录
理论
这是由**Michael J. Swain**和**Dana H. Ballard**在他们的论文《通过颜色直方图索引》中提出的。
用简单的话说是什么意思?
- 它用于图像分割或在图像中查找感兴趣的对象。
- 它创建的图像大小与输入图像相同(但只有一个通道),其中每个像素对应于该像素属于我们物体的概率。
- 与其余部分相比,输出图像将在可能有对象的区域具有更多的白色值。
- 这是一个直观的解释。直方图反投影与camshift算法等配合使用。
我们该怎么做呢?
- 我们创建一个图像的直方图,其中包含我们感兴趣的对象。对象应尽可能填充图像以获得更好的效果。
- 而且颜色直方图比灰度直方图更可取,因为对象的颜色对比灰度强度是定义对象的好方法。
- 我们将该直方图“反投影”到需要找到对象的测试图像上,换句话说,我们计算出属于背景的每个像素的概率并将其显示出来。在适当的阈值下产生的输出使我们仅获得背景(此处背景为感兴趣区域)。
Numpy中的算法
1. 首先,我们需要计算我们要查找的对象(使其为“ M”)和要搜索的图像(使其为“ I”)的颜色直方图。
import numpy as np import cv2 as cvfrom matplotlib import pyplot as plt #roi是我们需要找到的对象或对象区域 roi = cv.imread('rose_red.png') hsv = cv.cvtColor(roi,cv.COLOR_BGR2HSV) #目标是我们搜索的图像 target = cv.imread('rose.png') hsvt = cv.cvtColor(target,cv.COLOR_BGR2HSV) # 使用calcHist查找直方图。也可以使用np.histogram2d完成 M = cv.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] ) I = cv.calcHist([hsvt],[0, 1], None, [180, 256], [0, 180, 0, 256] )
2. 求出比值。然后反向投影R,即使用R作为调色板,并以每个像素作为其对应的目标概率创建一个新图像。即
B(x,y) = R[h(x,y),s(x,y)]
其中h是色调,s是像素在(x,y)的饱和度。之后,应用条件。h,s,v = cv.split(hsvt) B = R[h.ravel(),s.ravel()] B = np.minimum(B,1) B = B.reshape(hsvt.shape[:2])
3. 现在对圆盘(感兴趣区域)应用卷积,B=D∗B,其中D是圆盘内核。
disc = cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5)) cv.filter2D(B,-1,disc,B) B = np.uint8(B) cv.normalize(B,B,0,255,cv.NORM_MINMAX)
4. 现在最大强度的位置给了我们物体的位置。如果我们期望图像中有一个区域,则对合适的值进行阈值处理将获得不错的结果。
ret,thresh = cv.threshold(B,50,255,0)
就是这样!!
OpenCV的反投影
- OpenCV提供了一个内建的函数**cv.calcBackProject**()。
- 它的参数几乎与**cv.calchist**()函数相同。
- 它的一个参数是直方图,也就是物体的直方图,我们必须找到它。
- 在传递给backproject函数之前,应该对对象直方图进行归一化。
- 它返回概率图像。然后我们用圆盘内核对图像进行卷积并应用阈值。
下面是我的代码和结果:
import numpy as np import cv2 as cv roi = cv.imread('rose_red.png') hsv = cv.cvtColor(roi,cv.COLOR_BGR2HSV) target = cv.imread('rose.png') hsvt = cv.cvtColor(target,cv.COLOR_BGR2HSV) # 计算对象的直方图 roihist = cv.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] ) # 直方图归一化并利用反传算法 cv.normalize(roihist,roihist,0,255,cv.NORM_MINMAX) dst = cv.calcBackProject([hsvt],[0,1],roihist,[0,180,0,256],1) # 用圆盘进行卷积 disc = cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5)) cv.filter2D(dst,-1,disc,dst) # 应用阈值作与操作 ret,thresh = cv.threshold(dst,50,255,0) thresh = cv.merge((thresh,thresh,thresh)) res = cv.bitwise_and(target,thresh) res = np.vstack((target,thresh,res)) cv.imwrite('res.jpg',res)
以下是我处理过的一个示例。我将蓝色矩形内的区域用作示例对象,我想提取整个地面。