直方图 - 3：直方图反投影

目标

• 我们将学习直方图反投影。

理论

该方法由Michael J. Swain 和 Dana H. Ballard在其论文Indexing via color histograms中提出。

简单来说是什么呢？它用于图像分割或查找图像中感兴趣的对象。简单来说，它创建一个与输入图像大小相同（但只有一个通道）的图像，其中每个像素对应于该像素属于我们目标对象的概率。更简单地说，输出图像中我们感兴趣的对象会比其余部分更亮（白色）。好吧，这是一个直观的解释。（我无法再简化了）。直方图反投影与camshift算法等一起使用。

我们如何做到这一点？我们创建一个包含我们感兴趣的对象（在我们的例子中，是地面、离开的玩家和其他东西）的图像的直方图。为了获得更好的结果，对象应尽可能填充图像。并且，颜色直方图优于灰度直方图，因为对象的颜色比其灰度强度更能定义对象。然后，我们将此直方图“反投影”到我们需要查找对象的测试图像上，换句话说，我们计算每个像素属于地面的概率并显示它。对结果输出进行适当的阈值处理后，我们就能得到单独的地面。

OpenCV中的反投影

我们使用以下函数：cv.calcBackProject (images, channels, hist, dst, ranges, scale)

参数

images	源数组。它们都应该具有相同的深度，cv.CV_8U、cv.CV_16U 或 cv.CV_32F，以及相同的大小。它们中的每一个都可以具有任意数量的通道。
channels	用于计算反投影的通道列表。通道数必须与直方图维数匹配。
hist	可以是密集型或稀疏型的输入直方图。
dst	目标反投影数组，它是一个与images[0]大小和深度相同的单通道数组。
ranges	每个维度中直方图仓边界数组（参见 cv.calcHist）。
scale	可选的输出反投影比例因子。

cv.normalize (src, dst, alpha = 1, beta = 0, norm_type = cv.NORM_L2, dtype = -1, mask = new cv.Mat())

参数

src	输入数组。
dst	与src大小相同的输出数组。
alpha	归一化到的范数值，或范围归一化情况下的较低范围边界。
beta	范围归一化情况下的上限边界；它不用于范数归一化。
norm_type	归一化类型（参见 cv.NormTypes）。
dtype	当为负数时，输出数组与src具有相同的类型；否则，它与src具有相同的通道数，并且深度 = CV_MAT_DEPTH(dtype)。
mask	可选的操作掩码。

尝试一下