直方图 - 3：直方图反向投影

目标

• 我们将学习直方图反向投影。

理论

它是由 Michael J. Swain , Dana H. Ballard 在他们的论文 Indexing via color histograms 中提出的。

用简单的话来说，它实际上是什么？ 它用于图像分割或在图像中查找感兴趣的对象。简单来说，它创建一个与输入图像大小相同（但单通道）的图像，其中每个像素对应于该像素属于我们对象的概率。更简单地说，输出图像中我们感兴趣的对象将比剩余部分更白。嗯，这是一个直观的解释。（我无法使其更简单）。直方图反向投影与 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对象的图像的直方图（在本例中为地面，离开的玩家和其他东西）。为了获得更好的结果，对象应尽可能填充图像。与灰度直方图相比，颜色直方图更受欢迎，因为对象的颜色是比其灰度强度更好的定义对象的方式。然后，我们在需要找到对象的测试图像上“反向投影”此直方图，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，我们就可以得到单独的地面。

OpenCV 中的反向投影

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	用于计算反向投影的通道列表。通道数必须与直方图维度匹配。
hist	可以是密集或稀疏的输入直方图。
dst	目标反向投影数组，它是与 images[0] 大小和深度相同的单通道数组。
ranges	每个维度中直方图 bin 边界的数组（参见 cv.calcHist）。
scale	输出反向投影的可选比例因子。

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	要归一化的范数值，或者在范围归一化的情况下为下限范围边界。
beta	范围归一化情况下的上限范围边界；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，输出数组的类型与 src 相同；否则，它具有与 src 相同的通道数，深度 = CV_MAT_DEPTH(dtype)。
mask	可选操作掩码。

尝试一下