历史图

详细描述

类
class	cv::CLAHE
	对比度限幅自适应直方图均衡化基类。 更多...

枚举
enum	cv::HistCompMethods {   cv::HISTCMP_CORREL = 0 ,   cv::HISTCMP_CHISQR = 1 ,   cv::HISTCMP_INTERSECT = 2 ,   cv::HISTCMP_BHATTACHARYYA = 3 ,   cv::HISTCMP_HELLINGER = HISTCMP_BHATTACHARYYA ,   cv::HISTCMP_CHISQR_ALT = 4 ,   cv::HISTCMP_KL_DIV = 5 }

函数
void	cv::calcBackProject (const Mat *images, int nimages, const int *channels, const SparseMat &hist, OutputArray backProject, const float **ranges, double scale=1, bool uniform=true)
void	cv::calcBackProject (const Mat *images, int nimages, const int *channels, InputArray hist, OutputArray backProject, const float **ranges, double scale=1, bool uniform=true)
	计算直方图的后投影。
void	cv::calcHist (InputArrayOfArrays images, const std::vector< int > &channels, InputArray mask, OutputArray dst, const std::vector< float > &ranges, double scale)
void	cv::calcHist (InputArrayOfArrays images, const std::vector< int > &channels, InputArray mask, OutputArray dst, const std::vector< int > &histSize, const std::vector< float > &ranges, bool accumulate=false)
	计算一系列数组的历史图。
void	cv::compareHist (SparseMat &H1, const SparseMat &H2, int method)
void	cv::compareHist (InputArray H1, InputArray H2, int method)
double	cv::compareHist (const SparseMat &H1, const SparseMat &H2, int method)
double	cv::compareHist (InputArray H1, InputArray H2, int method)
	比较两个历史图。
Ptr< CLAHE >	cv::createCLAHE (double clipLimit=40.0, Size tileGridSize=Size(8, 8))
	创建一个指向cv::CLAHE类的智能指针并将其初始化。
float	cv::EMD (InputArray signature1, InputArray signature2, int distType, InputArray cost=noArray(), float *lowerBound=0, OutputArray flow=noArray())
	计算两个加权点配置之间的“最小工作量”距离。
void	cv::equalizeHist (InputArray src, OutputArray dst)
	均衡灰度图像的直方图。
float	cv::wrapperEMD (InputArray signature1, InputArray signature2, int distType, InputArray cost=noArray(), Ptr< float > lowerBound=Ptr< float >(), OutputArray flow=noArray())

枚举类型文档

HistCompMethods

enum cv::HistCompMethods

#include <opencv2/imgproc.hpp>

直方图比较方法

枚举值
HISTCMP_CORREL  Python: cv.HISTCMP_CORREL	相关系数 \[d(H_1,H_2) = \frac{\sum_I (H_1(I) - \bar{H_1}) (H_2(I) - \bar{H_2})}{\sqrt{\sum_I(H_1(I) - \bar{H_1})^2 \sum_I(H_2(I) - \bar{H_2})^2}}\] 其中 \[\bar{H_k} = \frac{1}{N} \sum _J H_k(J)\] 而 \(N\) 是直方图的直方格总数。
HISTCMP_CHISQR  Python: cv.HISTCMP_CHISQR	卡方 \[d(H_1,H_2) = \sum _I \frac{\left(H_1(I)-H_2(I)\right)^2}{H_1(I)}\]
HISTCMP_INTERSECT  Python: cv.HISTCMP_INTERSECT	交集 \[d(H_1,H_2) = \sum _I \min (H_1(I), H_2(I))\]
HISTCMP_BHATTACHARYYA  Python: cv.HISTCMP_BHATTACHARYYA	Bhattacharyya 距离（实际上，OpenCV 计算的是 Hellinger 距离，它与 Bhattacharyya 系数有关。） \[d(H_1,H_2) = \sqrt{1 - \frac{1}{\sqrt{\bar{H_1} \bar{H_2} N^2}} \sum_I \sqrt{H_1(I) \cdot H_2(I)}}\]
HISTCMP_HELLINGER  Python: cv.HISTCMP_HELLINGER	HISTCMP_BHATTACHARYYA的同义词。
HISTCMP_CHISQR_ALT  Python: cv.HISTCMP_CHISQR_ALT	替代卡方 \[d(H_1,H_2) = 2 * \sum _I \frac{\left(H_1(I)-H_2(I)\right)^2}{H_1(I)+H_2(I)}\] 此替代公式经常用于纹理比较。例如，参见
HISTCMP_KL_DIV  Python: cv.HISTCMP_KL_DIV	库尔洛夫-莱布勒散度 定义\[d(H_1,H_2) = \sum _I H_1(I) \log \left(\frac{H_1(I)}{H_2(I)}\right)\]

函数文档

calcBackProject() [1/3]

void cv::calcBackProject	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		const SparseMat &	hist,
		OutputArray	backProject,
		const float **	ranges,
		double	scale = 1,
		bool	uniform = true
	)

Python
	cv.calcBackProject(	images, channels, hist, ranges, scale[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

此为方便提供的一个重载成员函数，它与其他函数不同的是它接受的参数。

calcBackProject() [2/3]

void cv::calcBackProject	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		InputArray	hist,
		OutputArray	backProject,
		const float **	ranges,
		double	scale = 1,
		bool	uniform = true
	)

Python
	cv.calcBackProject(	images, channels, hist, ranges, scale[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

计算直方图的后投影。

cv::calcBackProject 函数计算直方图的后投影。类似于 calcHist ，函数在每个位置（x，y）从输入图像中收集选定通道的值，并找到相应的直方图 bin。但不是增加它，而是读取 bin 值，按 scale 缩放，并存储在 backProject(x,y) 中。在统计学上，该函数计算每个元素值相对于由直方图表示的经验概率分布的概率。例如，您可以找到并跟踪场景中的亮色物体

• 在跟踪之前，将物体展示给相机，让物体几乎覆盖整个框架。计算色调直方图。该直方图可能具有强烈的最大值，与物体中的主要颜色相对应。
• 在跟踪时，使用预计算的直方图，对每个输入视频帧的色调平面的后投影进行计算。使用阈值抑制弱色。抑制颜色饱和度不足、太暗或太亮的像素也可能是有意义的。
• 在结果图像中找到连接成分，例如选择最大的成分。

这是 CamShift 颜色物体追踪器的近似算法。

参数

images	源数组。它们都应该有相同的深度，CV_8U，CV_16U 或 CV_32F，并且具有相同的大小。每个数组都可以有任意数量的通道。
nimages	源图像的数量。
channels	用于计算后投影的通道列表。通道数必须与直方图的维数匹配。第一数组通道从 0 编号到 images[0].channels()-1，第二数组通道从 images[0].channels() 编号到 images[0].channels() + images[1].channels()-1，依此类推。
hist	输入直方图可以是稠密或稀疏的。
backProject	目标后投影数组是大小和深度与 images[0] 相同的单通道数组。
ranges	每维直方图 bin 边界的数组数组。见 calcHist 。
scale	输出后投影的可选缩放因子。
uniform	标志表示直方图是否是均匀的（见 calcHist）。

另见

calcHist，compareHist

calcBackProject() [3/3]

void cv::calcBackProject	(	InputArrayOfArrays	images,
		const std::vector< int > &	channels,
		InputArray	hist,
		OutputArray	dst,
		const std::vector< float > &	ranges,
		double	缩放
	)

Python
	cv.calcBackProject(	images, channels, hist, ranges, scale[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

此为方便提供的一个重载成员函数，它与其他函数不同的是它接受的参数。

calcHist() [1/3]

void cv::calcHist	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		InputArray	mask,
		OutputArray	hist,
		int	dims,
		const int *	histSize,
		const float **	ranges,
		bool	uniform = true,
		bool	accumulate = false
	)

Python
	cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist

#include <opencv2/imgproc.hpp>

计算一系列数组的历史图。

函数cv::calcHist计算一个或多个数组的直方图。用于增加直方图桶的元组元素是从对应输入数组的相同位置获取的。下面的示例展示了如何计算彩色图像的二维色调-饱和度直方图。

#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
 
using namespace cv;
 
int main( int argc, char** argv )
{
    Mat src, hsv;
    if( argc != 2 || !(src=imread(argv[1], IMREAD_COLOR)).data )
        return -1;
 
    cvtColor(src, hsv, COLOR_BGR2HSV);
 
    // 将色调量化为30个级别
    // 将饱和度量化为32个级别
    int hbins = 30, sbins = 32;
    int histSize[] = {hbins, sbins};
    // 色调从0到179变化，见cvtColor
    float hranges[] = { 0, 180 };
    // 饱和度从0（黑色-灰色-白色）到
    // 255（纯光谱颜色）变化
    float sranges[] = { 0, 256 };
    const float* ranges[] = { hranges, sranges };
MatND hist;
    // 从第0和第1个通道计算直方图
    int channels[] = {0, 1};
 
    calcHist( &hsv, 1, channels, Mat(), // 不要使用mask
hist, 2, histSize, ranges,
             true, // 直方图是均匀的
             false );
    double maxVal=0;
    minMaxLoc(hist, 0, &maxVal, 0, 0);
 
    int scale = 10;
    Mat histImg = Mat::zeros(sbins*scale, hbins*10, CV_8UC3);
 
    for( int h = 0; h < hbins; h++ )
        for( int s = 0; s < sbins; s++ )
        {
            float binVal = hist.at<float>(h, s);
            int intensity = cvRound(binVal*255/maxVal);
            rectangle( histImg, Point(h*scale, s*scale),
                        Point( (h+1)*scale - 1, (s+1)*scale - 1),
                        Scalar::all(intensity),
                        -1 );
        }
 
    namedWindow( "Source", 1 );
    imshow( "Source", src );
 
    namedWindow( "H-S Histogram", 1 );
    imshow( "H-S Histogram", histImg );
    waitKey();
}

参数

images	源数组。它们都应该有相同的深度，CV_8U，CV_16U 或 CV_32F，并且具有相同的大小。每个数组都可以有任意数量的通道。
nimages	源图像的数量。
channels	用于计算直方图的维度通道列表。第一个数组的通道从0编号到images[0].channels() - 1，第二个数组的通道从images[0].channels()到images[0].channels() + images[1].channels() - 1，依此类推。
mask	可选掩码。如果矩阵不为空，它必须是一个与images[i]同样大小的8位数组。非零掩码元素标记的数组元素包含在直方图中。
hist	输出直方图，它是一个dense或sparse的dims维数组。
dims	直方图维数必须为正且不超过CV_MAX_DIMS（在当前OpenCV版本中等于32）。
histSize	每个维度的直方图大小数组。
ranges	包含每个维度的直方图bin边界的dims数组。当直方图为均匀直方图（uniform =true）时，对于每个维度i，只需指定第0个直方图的边界（包括）\(L_0\)和最后一个直方图bin的边界（不包括）\(U_{\texttt{histSize}[i]-1}\) histSize[i]-1。也就是说，对于均匀直方图，ranges[i]是一个包含2个元素的数组。当直方图不是均匀的（uniform=false）时，ranges[i]包含histSize[i]+1个元素：\(L_0, U_0=L_1, U_1=L_2, ..., U_{\texttt{histSize[i]}-2}=L_{\texttt{histSize[i]}-1}, U_{\texttt{histSize[i]}-1}\)。不在\(L_0\)和\(U_{\texttt{histSize[i]}-1}\)之间的数组元素不计入直方图。
uniform	标志，指示直方图是否均匀（如上所述）。
accumulate	累积标志。如果设置，则分配时不清理直方图。此功能可让您从多个数组集合中计算单个直方图，或在时间中更新直方图。

calcHist() [2/3]

void cv::calcHist	(	const Mat *	images,
		int	nimages,
		const int *	channels,
		InputArray	mask,
		SparseMat &	hist,
		int	dims,
		const int *	histSize,
		const float **	ranges,
		bool	uniform = true,
		bool	accumulate = false
	)

Python
	cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist

#include <opencv2/imgproc.hpp>

此为方便提供的一个重载成员函数，它与其他函数不同的是它接受的参数。

这个变体使用SparseMat作为输出

calcHist() [3/3]

void cv::calcHist	(	InputArrayOfArrays	images,
		const std::vector< int > &	channels,
		InputArray	mask,
		OutputArray	hist,
		const std::vector< int > &	histSize,
		const std::vector< float > &	ranges,
		bool	accumulate = false
	)

Python
	cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist

#include <opencv2/imgproc.hpp>

此为方便提供的一个重载成员函数，它与其他函数不同的是它接受的参数。

这个变体仅支持均匀直方图。

ranges参数是空向量或包含元素对（每个对指定边界）的扁平化向量，元素对数等于histSize.size()*2。

compareHist() [1/2]

double cv::compareHist	(	const SparseMat &	H1,
		const SparseMat &	H2,
		int	method
	)

Python
	cv.compareHist(	H1, H2, method	) ->	retval

#include <opencv2/imgproc.hpp>

此为方便提供的一个重载成员函数，它与其他函数不同的是它接受的参数。

compareHist() [2/2]

double cv::compareHist	(	InputArray	H1,
		InputArray	H2,
		int	method
	)

Python
	cv.compareHist(	H1, H2, method	) ->	retval

#include <opencv2/imgproc.hpp>

比较两个历史图。

函数cv::compareHist使用指定方法比较两个密集或两个稀疏直方图。

函数返回\(d(H_1, H_2)\) 。

尽管该函数与1维、2维、3维密集直方图配合良好，但对于高维稀疏直方图可能不适合。在这样的直方图中，由于混叠和采样问题，非零直方图bin的坐标可能会略微偏移。比较此类直方图或更一般的加权点稀疏配置，请考虑使用EMD函数。

参数

H1	第一个直方图。
H2	与H1大小相同的第二个直方图。
method	比较方法，见HistCompMethods

createCLAHE()

Ptr< CLAHE > cv::createCLAHE	(	double	clipLimit = 40.0,
		Size	tileGridSize = Size(8,8)
	)

Python
	cv.createCLAHE(	[, clipLimit[, tileGridSize]]	) ->	retval

#include <opencv2/imgproc.hpp>

创建一个指向cv::CLAHE类的智能指针并将其初始化。

参数

clipLimit	对比度限制的阈值。
tileGridSize	直方图均衡化的网格大小。输入图像将被分成大小相等的矩形瓦片。tileGridSize定义行和列中的瓦片数量。

EMD()

浮点 cv::EMD	(	InputArray	签名1,
		InputArray	签名2,
		int	距离类型,
		InputArray	成本 = noArray()
		浮点指针	下限 = 0;
		OutputArray	流量 = noArray()
	)

#include <opencv2/imgproc.hpp>

计算两个加权点配置之间的“最小工作量”距离。

该函数计算两个加权点配置之间的地球迁移距离及/或距离的下限。在本节中描述的应用之一是图像检索中的多维直方图比较。EMD 是一个使用某些简化的单纯形算法解决的运输问题，因此在最坏情况下其复杂度呈指数增长，但在平均情况下要快得多。在实际度量情况下，下限可以更快地计算（使用线性时间算法），并且可以用来大致判断两个签名是否足够远，以至于它们无法关联到同一对象。

参数

签名1	第一个签名，一个 \(\texttt{size1}\times \texttt{dims}+1\) 浮点矩阵。每行存储点权重，然后是点坐标。如果使用用户定义的成本矩阵，则矩阵可以只有一个列（只有权重）。权重必须为非负值，且至少有一个不为零的值。
签名2	与签名1格式相同的第二个签名，尽管行数可能不同。总权重可能不同。在这种情况下，将为签名1或签名2添加一个额外的“虚拟”点。权重必须为非负值，且至少有一个不为零的值。
距离类型	使用的度量。参见 DistanceTypes。
成本	用户定义的 \(\texttt{size1}\times \texttt{size2}\) 成本矩阵。此外，如果使用成本矩阵，则不能计算下限，因为它需要一个度量函数。
下限	可选输入/输出参数：两个签名之间的距离下限，即质心之间的距离。如果使用用户定义的成本矩阵，点配置的总权重不相等，或者签名仅由权重组成（签名矩阵只有一列），则不能计算下限。您必须**初始化**lowerBound。如果计算出的质心距离大于或等于*lowerBound（这意味着签名足够远），则函数不计算EMD。在任何情况下，*lowerBound 都将设置为返回时计算出的质心距离。因此，如果您想同时计算质心距离和EMD，则*lowerBound应设置为0。
流量	结果 \(\texttt{size1} \times \texttt{size2}\) 流量矩阵：\(\texttt{flow}_{i,j}\) 是从签名1的第i个点到签名2的第j个点的流量。

equalizeHist()

空 cv::equalizeHist	(	InputArray	src,
		OutputArray	dst
	)

Python
	cv.equalizeHist(	src[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

均衡灰度图像的直方图。

该函数使用以下算法对输入图像的直方图进行均衡：

• 计算src的直方图H。
• 将直方图归一化，使得直方图分箱的总和值为255。
• 计算直方图的积分

  \[H'_i = \sum _{0 \le j < i} H(j)\]

• 使用H'作为查找表转换图像：\(\texttt{dst}(x,y) = H'(\texttt{src}(x,y))\)

该算法归一化亮度并增加图像对比度。

参数

src	源8位单通道图像。
dst	与src大小和类型相同的输出图像。

wrapperEMD()

float cv::wrapperEMD	(	InputArray	签名1,
		InputArray	签名2,
		int	距离类型,
		InputArray	成本 = noArray()
		Ptr< float >	下限 = Ptr< float >(),
		OutputArray	流量 = noArray()
	)

Python
	cv.EMD(	signature1, signature2, distType[, cost[, lowerBound[, flow]]]	) ->	retval, lowerBound, flow

#include <opencv2/imgproc.hpp>