「这是我参与2022首次更文挑战的第20天，活动详情查看：2022首次更文挑战」
直方图的比较
我们已经在《灰度直方图详解》中学习了如何使用 cv2.calcHist() 函数计算直方图，并且了解了直方图的一些使用示例。
本节，我们将介绍 OpenCV 提供的另一个与直方图相关的函数是 cv2.compareHist()，该函数可用于计算两个直方图的匹配程度。由于直方图反映了图像中像素值的强度分布，因此该函数也可以用于比较图像，但是由于直方图仅显示统计信息，而不显示像素的位置。因此，图像比较的常用方法是将图像划分为一定数量的区域(通常大小相同)，计算每个区域的直方图，最后将所有直方图连接起来，创建图像的特征表示。为了简单起见，示例将仅使用一个区域(完整图像)，并不会将图像划分多个区域。
cv2.compareHist() 函数的用法：
cv2.compareHist(H1, H2, method)
复制代码这里，H1 和 H2 是被比较的直方图，method表示度量方法。OpenCV 提供了四种不同的度量方法( method )来计算匹配程度：
| 度量方法 | 解释 |
|---|---|
| cv2.HISTCMP_CORREL | 计算两个直方图之间的相关性，此指标返回 [-1, 1] 范围内的值，其中 1 表示完美匹配，-1 表示完全不匹配 |
| cv2.HISTCMP_CHISQR | 计算两个直方图之间的卡方距离，此指标返回 [0, unbounded] 范围内的值，其中 0 表示完美匹配，而不匹配则使用 unbounded 表示 |
| cv2.HISTCMP_INTERSECT | 计算两个直方图之间的交集，如果直方图被归一化，则该指标返回范围 [0, 1] 内的值，其中 1 表示完全匹配，0 表示完全不匹配 |
| cv2.HISTCMP_BHATTACHARYYA | 计算两个直方图之间的 Bhattacharyya 距离。此指标返回 [0, 1] 范围内的值，其中 0 是完美匹配，1 完全不匹配 |
为了对比不同的度量方法，我们首先图像并对其进行变换，然后使用所有度量方法计算这些图像和测试图像之间的相似度。
# 加载图像
image = cv2.imread('example.png')
# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
M = np.ones(gray_image.shape, dtype='uint8') * 30
# 所有像素值加上 30
added_image = cv2.add(gray_image, M)
# 所有像素值减去 30
subtracted_image = cv2.subtract(gray_image, M)
# 使用模糊滤镜
blurred_image = cv2.blur(gray_image, (10,10))
def load_all_test_images():
images = []
images.append(gray_image)
images.append(added_image)
images.append(subtracted_image)
images.append(blurred_image)
return images
复制代码使用四种不同的度量方法计算这些图像和测试图像之间的相似度：
for img in test_images:
# 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
# 直方图归一化
hist = cv2.normalize(hist, hist, norm_type=cv2.NORM_L1)
hists.append(hist)
# 使用 cv2.HISTCMP_CORREL 度量方法
gray_gray = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_CORREL)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_CORREL)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_CORREL)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_CORREL)
# 使用 cv2.HISTCMP_CHISQR 度量方法
gray_gray = cv2.compareHist(hists[0], hists[0], cv2.HISTCMP_CHISQR)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_CHISQR)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_CHISQR)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_CHISQR)
# 使用 cv2.HISTCMP_INTERSECT 度量方法
gray_gray = cv2.compareHist(hists[0], hists[0], cv2.HISTCMP_INTERSECT)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_INTERSECT)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_INTERSECT)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_INTERSECT)
# 使用 cv2.HISTCMP_BHATTACHARYYA 度量方法
gray_gray = cv2.compareHist(hists[0], hists[0], cv2.HISTCMP_BHATTACHARYYA)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_BHATTACHARYYA)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_BHATTACHARYYA)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_BHATTACHARYYA)
复制代码程序的输出如下所示：
从上图可以看出，img 1 所有指标都完美匹配，因为它是相同的图像，img 2 也具有较好的匹配指标，这是因为 img 2 是查询图像的平滑版本，而 img 3 和 img 4 给出的匹配程度很差，这是因为直方图发生了偏移。