计算直方图
直方图比较
图像进行直方图均衡化处理
模板匹配
1. calcHist_Demo.cpp 计算直方图
这段代码的功能是加载图像，分离图像的三个颜色通道，然后分别计算这三个通道的直方图，绘制出来并显示结果。直方图是图像中像素值分布的图形表示，可以用于图像分析或图像处理中。
// 加载OpenCV库，并用cv和std命名空间
#include "opencv2/highgui.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
using namespace std;
using namespace cv;// 主函数
int main(int argc, char** argv)
{// 从命令行参数中加载图像，如果不指定，则默认加载lena.jpgCommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR );// 如果图像为空，则返回退出失败if( src.empty() ){return EXIT_FAILURE;}// 分离图像的三个通道：蓝色、绿色和红色vector<Mat> bgr_planes;split( src, bgr_planes );// 确定直方图中的柱子数量（bin的数量），这里设置为256int histSize = 256;// 设置B、G、R通道的范围，由于直方图的上界是独占的，所以设置的范围是{0，256}float range[] = { 0, 256 };const float* histRange[] = { range };// 设置直方图参数，设置为均匀的，并且不累计bool uniform = true, accumulate = false;// 计算蓝色、绿色和红色通道的直方图Mat b_hist, g_hist, r_hist;calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );calcHist( &bgr_planes[1], 1, 0, Mat(), g_hist, 1, &histSize, histRange, uniform, accumulate );calcHist( &bgr_planes[2], 1, 0, Mat(), r_hist, 1, &histSize, histRange, uniform, accumulate );// 创建一个用于绘制直方图的图像int hist_w = 512, hist_h = 400;int bin_w = cvRound( (double) hist_w/histSize );Mat histImage( hist_h, hist_w, CV_8UC3, Scalar( 0,0,0) );// 将直方图的结果归一化到(0, histImage.rows)normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );normalize(g_hist, g_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );normalize(r_hist, r_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );// 为每个通道绘制直方图for( int i = 1; i < histSize; i++ ){line( histImage, Point( bin_w*(i-1), hist_h - cvRound(b_hist.at<float>(i-1)) ),Point( bin_w*(i), hist_h - cvRound(b_hist.at<float>(i)) ),Scalar( 255, 0, 0), 2, 8, 0 );line( histImage, Point( bin_w*(i-1), hist_h - cvRound(g_hist.at<float>(i-1)) ),Point( bin_w*(i), hist_h - cvRound(g_hist.at<float>(i)) ),Scalar( 0, 255, 0), 2, 8, 0 );line( histImage, Point( bin_w*(i-1), hist_h - cvRound(r_hist.at<float>(i-1)) ),Point( bin_w*(i), hist_h - cvRound(r_hist.at<float>(i)) ),Scalar( 0, 0, 255), 2, 8, 0 );}// 显示源图像和计算的直方图imshow("Source image", src );imshow("calcHist Demo", histImage );waitKey();return EXIT_SUCCESS;
}
calcHist( &bgr_planes[0], 1, 0, Mat(), b_hist, 1, &histSize, histRange, uniform, accumulate );
normalize(b_hist, b_hist, 0, histImage.rows, NORM_MINMAX, -1, Mat() );
2. compareHist_Demo.cpp 比较直方图
/*** @file compareHist_Demo.cpp* @brief Sample code to use the function compareHist* @author OpenCV team*/// 引入必要的头文件
#include "opencv2/imgcodecs.hpp" //图像编解码相关功能
#include "opencv2/highgui.hpp" //高级图形用户界面
#include "opencv2/imgproc.hpp" //图像处理相关功能
#include <iostream> //标准输入输出流// 使用标准和opencv命名空间
using namespace std;
using namespace cv;// 定义命令行参数
const char* keys ="{ help h| | Print help message. }" // 输出帮助信息"{ @input1 |Histogram_Comparison_Source_0.jpg | Path to input image 1. }" // 输入图片1的路径"{ @input2 |Histogram_Comparison_Source_1.jpg | Path to input image 2. }" // 输入图片2的路径"{ @input3 |Histogram_Comparison_Source_2.jpg | Path to input image 3. }"; // 输入图片3的路径/*** @function main*/
int main( int argc, char** argv )
{//! [Load three images with different environment settings]// 解析命令行参数CommandLineParser parser( argc, argv, keys );// 添加样本数据搜索子目录samples::addSamplesDataSearchSubDirectory( "doc/tutorials/imgproc/histograms/histogram_comparison/images" );// 读取三个输入图片Mat src_base = imread(samples::findFile( parser.get<String>( "@input1" ) ) );Mat src_test1 = imread(samples::findFile( parser.get<String>( "@input2" ) ) );Mat src_test2 = imread(samples::findFile( parser.get<String>( "@input3" ) ) );// 检查图片是否正确加载if( src_base.empty() || src_test1.empty() || src_test2.empty() ){cout << "Could not open or find the images!\n" << endl;// 打印帮助信息并退出parser.printMessage();return -1;}//! [Load three images with different environment settings]//! [Convert to HSV]// 将三个图片转换为HSV颜色空间Mat hsv_base, hsv_test1, hsv_test2;cvtColor( src_base, hsv_base, COLOR_BGR2HSV );cvtColor( src_test1, hsv_test1, COLOR_BGR2HSV );cvtColor( src_test2, hsv_test2, COLOR_BGR2HSV );//! [Convert to HSV]//! [Convert to HSV half]// 取hsv_base图像的下半部分用于后续的直方图比较Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) );//! [Convert to HSV half]//! [Using 50 bins for hue and 60 for saturation]// 定义hue和saturation两个维度的直方图bin数int h_bins = 50, s_bins = 60;int histSize[] = { h_bins, s_bins };// hue的取值范围从0到179, saturation的取值范围从0到255float h_ranges[] = { 0, 180 };float s_ranges[] = { 0, 256 };const float* ranges[] = { h_ranges, s_ranges };// 选择使用的通道int channels[] = { 0, 1 };//! [Using 50 bins for hue and 60 for saturation]//! [Calculate the histograms for the HSV images]// 计算本基准图像、下半部分图像和两个测试图像的直方图// 定义存储直方图数据的Mat对象Mat hist_base, hist_half_down, hist_test1, hist_test2;// 计算基准图像的直方图，并存储在hist_base中calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false );// 将基准图像的直方图归一化到[0, 1]normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat() );// 计算半幅图像的直方图，并存储在hist_half_down中calcHist( &hsv_half_down, 1, channels, Mat(), hist_half_down, 2, histSize, ranges, true, false );// 将半幅图像的直方图归一化到[0, 1]normalize( hist_half_down, hist_half_down, 0, 1, NORM_MINMAX, -1, Mat() );// 计算测试图像1的直方图，并存储在hist_test1中calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );// 将测试图像1的直方图归一化到[0, 1]normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );// 计算测试图像2的直方图，并存储在hist_test2中calcHist( &hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false );// 将测试图像2的直方图归一化到[0, 1]normalize( hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat() );//! [Calculate the histograms for the HSV images]//! [Apply the histogram comparison methods]// 使用四种不同的方法比较直方图for( int compare_method = 0; compare_method < 4; compare_method++ ){// 与自己比较，理想值对照double base_base = compareHist( hist_base, hist_base, compare_method );// 与半幅图像比较double base_half = compareHist( hist_base, hist_half_down, compare_method );// 与测试图像1比较double base_test1 = compareHist( hist_base, hist_test1, compare_method );// 与测试图像2比较double base_test2 = compareHist( hist_base, hist_test2, compare_method );// 输出比较结果cout << "Method " << compare_method << " Perfect, Base-Half, Base-Test(1), Base-Test(2) : "<< base_base << " / " << base_half << " / " << base_test1 << " / " << base_test2 << endl;}//! [Apply the histogram comparison methods]// 输出完成的提示cout << "Done \n";// 正常结束程序return 0;
}终端输出：
Method 0 Perfect, Base-Half, Base-Test(1), Base-Test(2) : 1 / 0.880438 / 0.20457 / 0.0664547
Method 1 Perfect, Base-Half, Base-Test(1), Base-Test(2) : 0 / 4.6834 / 2697.98 / 4763.8
Method 2 Perfect, Base-Half, Base-Test(1), Base-Test(2) : 18.8947 / 13.022 / 5.44085 / 2.58173
Method 3 Perfect, Base-Half, Base-Test(1), Base-Test(2) : 0 / 0.237887 / 0.679826 / 0.874173
Done该代码运行后，输出了四种不同直方图比较方法的结果。这四种方法包括：相关性(Correlation)、卡方(Chi-Square)、相互信息(Intersection)和巴氏距离(Bhattacharyya)。
Method 0: 相关性（Correlation）比较方法的结果。相关性比较法是检查两个图像的相似性。分数为1表示完全匹配，接近0的分数表示不匹配。输出结果1表示基本图像与自身完全匹配，0.880438表示基础图像与一半图像较为匹配，0.20457和0.0664547分别表示基础图像与两张测试图像的匹配程度较低。Method 1: 卡方（Chi-Square）比较方法的结果。卡方方法比较适合用于检查两个图像的差异程度，而不是他们的相似度。输出结果0表示基础图像与自身完全匹配，4.6834表示基础图像与一半的图像差异较小，2697.98和4763.8分别表示基础图像与两张测试图像的差异较大。Method 2: 相互信息（Intersection）比较方法的结果。它计算两张图片的交集，数值越大则越相似。输出结果18.8947表示基础图像与自身完全匹配，13.022表示基础图像与一半图像比较相近，5.44085和2.58173分别表示基础图像与两张测试图像相似度较低。Method 3: 巴氏距离（Bhattacharyya）比较方法的结果。它也是检查两个图像的差异度。输出结果0表示基础图像与自身完全匹配，0.237887表示基础图像与一半图像的差异较小，而0.679826和0.874173则表示基础图像与两张测试图像的差异较大。
3. EqualizeHist_Demo.cpp 图像进行直方图均衡化处理
/*** @function EqualizeHist_Demo.cpp* @brief Demo code for equalizeHist function // 程序功能介绍，为OpenCV中的equalizeHist函数的示例代码* @author OpenCV team // 作者为OpenCV团队*/#include "opencv2/imgcodecs.hpp" // 包含进行图像编解码操作的头文件
#include "opencv2/highgui.hpp" // 包含用于创建图像窗口和处理图像交互功能的头文件
#include "opencv2/imgproc.hpp" // 包含进行图像处理的函数头文件
#include <iostream> // 包含用于输入输出流的头文件using namespace cv; // 使用命名空间cv，可以直接使用OpenCV库中的函数和类
using namespace std; // 使用命名空间std，可以直接使用标准库中的函数和类/*** @function main // 主函数*/
int main( int argc, char** argv )
{//! [Load image] // 加载图片CommandLineParser parser( argc, argv, "{@input | lena.jpg | input image}" );Mat src = imread( samples::findFile( parser.get<String>( "@input" ) ), IMREAD_COLOR ); // 如果图片为空，则输出错误信息，并给出使用方法，然后返回-1if( src.empty() ){cout << "Could not open or find the image！\n" << endl;cout << "Usage:" << argv[0] << " <Input image>" << endl;return -1;}//! [Load image]//! [Convert to grayscale] // 将图片转换为灰度图cvtColor( src, src, COLOR_BGR2GRAY );//! [Convert to grayscale]//! [Apply Histogram Equalization] // 对图片进行直方图均衡化Mat dst;equalizeHist( src, dst );//! [Apply Histogram Equalization]//! [Display results] // 显示结果imshow( "Source image", src );imshow( "Equalized Image", dst );//! [Display results]//! [Wait until user exits the program] //等待直到用户退出程序waitKey();//! [Wait until user exits the program]return 0;}这段代码的主要功能是读取一张图片，将其转换为灰度图，然后对其进行直方图均衡化处理，最后显示原图和处理后的图像。直方图均衡化是一种能改善图像对比度的方法，尤其对于背景和前景灰度级相近的图像处理很有效。
4. MatchTemplate_Demo.cpp
这段代码是使用OpenCV库进行模板匹配的示例程序。代码的主要功能是从源图像中寻找与给定模板最匹配的部分。通过滑动条控件可以选择不同的模板匹配方法，并通过结果显示最佳匹配位置。支持命令行参数输入，加载相应的源图像、模板图像及掩码图像（如果提供），并显示匹配过程的结果。匹配方法包括平方差匹配(SQDIFF)和相关系数匹配(CCORR)等多种方式。
/*** @file MatchTemplate_Demo.cpp* @brief Sample code to use the function MatchTemplate* @author OpenCV team*/
// MatchTemplate_Demo.cpp 文件
// 使用 MatchTemplate 函数的示例代码
// 作者：OpenCV团队#include "opencv2/imgcodecs.hpp" // 包含OpenCV的图像编解码头文件
#include "opencv2/highgui.hpp" // 包含OpenCV的GUI头文件
#include "opencv2/imgproc.hpp" // 包含OpenCV的图像处理头文件
#include <iostream> // 包含标准输入输出流头文件using namespace std; // 使用标准命名空间
using namespace cv; // 使用OpenCV命名空间//! [declare]
/// Global Variables
// 全局变量声明
bool use_mask; // 是否使用掩码的标志变量
Mat img; Mat templ; Mat mask; Mat result; // 定义图像矩阵，模板，掩码以及匹配结果矩阵
const char* image_window = "Source Image"; // 原始图像窗口名
const char* result_window = "Result window"; // 结果窗口名int match_method; // 匹配方法
int max_Trackbar = 5; // 滑动条的最大值
//! [declare]/// Function Headers
// 函数声明
void MatchingMethod( int, void* ); // 匹配方法的函数声明const char* keys =
"{ help h| | Print help message. }"
"{ @input1 | Template_Matching_Original_Image.jpg | image_name }"
"{ @input2 | Template_Matching_Template_Image.jpg | template_name }"
"{ @input3 | | mask_name }";/*** @function main*/
int main( int argc, char** argv )
{CommandLineParser parser( argc, argv, keys ); // 解析命令行参数samples::addSamplesDataSearchSubDirectory( "doc/tutorials/imgproc/histograms/template_matching/images" );//! [load_image]/// Load image and template// 加载图像和模板img = imread( samples::findFile( parser.get<String>("@input1") ) ); // 读取原始图像templ = imread( samples::findFile( parser.get<String>("@input2") ), IMREAD_COLOR ); // 读取模板图像if(argc > 3) {use_mask = true; // 如果提供了掩码，则设置使用掩码标志为truemask = imread(samples::findFile( parser.get<String>("@input3") ), IMREAD_COLOR ); // 读取掩码图像}if(img.empty() || templ.empty() || (use_mask && mask.empty())){cout << "Can't read one of the images" << endl; // 如果任一图像为空则输出错误消息return EXIT_FAILURE; // 返回退出代码}//! [load_image]//! [create_windows]/// Create windows// 创建窗口namedWindow( image_window, WINDOW_AUTOSIZE ); // 创建原始图像窗口namedWindow( result_window, WINDOW_AUTOSIZE ); // 创建结果窗口//! [create_windows]//! [create_trackbar]/// Create Trackbar// 创建滑块const char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod ); // 在原始图像窗口创建滑块用以选择匹配方法//! [create_trackbar]MatchingMethod( 0, 0 ); // 使用初始方法进行匹配//! [wait_key]waitKey(0); // 等待按键退出return EXIT_SUCCESS; // 返回成功退出代码//! [wait_key]
}/*** @function MatchingMethod* @brief Trackbar callback*/
void MatchingMethod( int, void* )
{//! [copy_source]/// Source image to display// 显示的源图像Mat img_display; // 定义一个用于显示的图像矩阵img.copyTo( img_display ); // 原始图像拷贝到显示图像矩阵中//! [copy_source]//! [create_result_matrix]/// Create the result matrix// 创建结果矩阵int result_cols = img.cols - templ.cols + 1; // 计算结果矩阵的列数int result_rows = img.rows - templ.rows + 1; // 计算结果矩阵的行数result.create( result_rows, result_cols, CV_32FC1 ); // 创建结果矩阵//! [create_result_matrix]//! [match_template]/// Do the Matching and Normalize// 进行匹配和标准化bool method_accepts_mask = (TM_SQDIFF == match_method || match_method == TM_CCORR_NORMED); // 判断匹配方法是否接受掩码if (use_mask && method_accepts_mask){ matchTemplate( img, templ, result, match_method, mask); } // 如果使用掩码且方法接受掩码，则进行匹配else{ matchTemplate( img, templ, result, match_method); } // 否则不使用掩码进行匹配//! [match_template]//! [normalize]normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() ); // 将结果矩阵标准化到0-1之间//! [normalize]//! [best_match]/// Localizing the best match with minMaxLoc// 使用minMaxLoc定位最佳匹配double minVal; double maxVal; Point minLoc; Point maxLoc; // 定义最小值，最大值以及它们的位置Point matchLoc; // 定义匹配位置minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() ); // 寻找最小值和最大值以及它们的位置//! [best_match]//! [match_loc]/// For SQDIFF and SQDIFF_NORMED, the best matches are lower values. For all the other methods, the higher the better// 对于SQDIFF和SQDIFF_NORMED方法，较小的值表示更好的匹配。对于其它方法，较大值表示更好的匹配if( match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED ){ matchLoc = minLoc; } // 如果是SQDIFF或者SQDIFF_NORMED方法，选择最小值位置作为匹配位置else{ matchLoc = maxLoc; } // 否则选择最大值位置作为匹配位置//! [match_loc]//! [imshow]/// Show me what you got// 展示结果rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 ); // 在显示图像上画出匹配位置的矩形框rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 ); // 在结果矩阵上画出匹配位置的矩形框imshow( image_window, img_display ); // 显示原始图像和匹配框imshow( result_window, result ); // 显示结果矩阵//! [imshow]return; // 返回
}
![MapReduce [OSDI‘04] 论文阅读笔记](https://img-blog.csdnimg.cn/direct/5ce9c9cff2de4ad889f25585f1ac910c.png#pic_center)
