摘要:理论直方图反向投影用于图像分割或查找图像中感兴趣的对象简单来说,它会创建一个与输入图像大小相同单个通道的图像其中每个像素对应于属于我们对象该像素的概率输出图像将使我们感兴趣的对象比其余部分更明显首先,我们创建一个包含我们感兴趣对象的图像的
Histogram - 4 : Histogram Backprojection
理论直方图反向投影用于图像分割或查找图像中感兴趣的对象,简单来说,它会创建一个与输入图像大小相同(单个通道)的图像,其中每个像素对应于属于我们对象该像素的概率.输出图像将使我们感兴趣的对象比其余部分更明显.
首先,我们创建一个包含我们感兴趣对象的图像的直方图,对象应尽可能填充图像以获得更好的结果,颜色直方图比灰度直方图更受青睐,因为对象的颜色比灰度强度更能定义对象,然后我们将这个直方图“反投影”到我们需要找到对象的测试图像上.
OpenCV中的反投影OpenCV提供了一个内置函数cv.calcBackProject()。 它的参数与cv.calcHist()函数几乎相同. 此外,在传递给backproject函数之前,应该对象直方图进行标准化. 它返回概率图像,然后我们将图像与内核卷积并应用阈值.
代码:
import cv2 import numpy as np from matplotlib import pyplot as plt # roi是我们需要找到的对象或区域 roi = cv2.imread("img_roi.png") hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) # target是我们搜索的图像 target = cv2.imread("img.jpg") hsvt = cv2.cvtColor(target, cv2.COLOR_BGR2HSV) # 计算对象的直方图 roihist = cv2.calcHist([hsv], [0,1], None, [180,256], [0,180,0,256]) # 标准化直方图,并应用投影 cv2.normalize(roihist, roihist, 0, 255, cv2.NORM_MINMAX) dst = cv2.calcBackProject([hsvt], [0,1], roihist, [0,180,0,256], 1) # 与磁盘内核进行卷积 disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5)) cv2.filter2D(dst, -1, disc, dst) # 阈值、二进制按位和操作 ret, thresh = cv2.threshold(dst, 50, 255, 0) thresh = cv2.merge((thresh, thresh, thresh)) res = cv2.bitwise_and(target, thresh) res = np.vstack((target, thresh, res)) cv2.imshow("res", res) cv2.waitKey()
原图:
感兴趣区域:
结果:
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/42038.html
摘要:算法的基本原理简单假设我们有一堆点,和一个小的圆形窗口,算法就是不断移动小圆形窗口,直到找到圆形区域内最大灰度密度处为止初始窗口以蓝色圆圈显示,名称为其原始中心标有蓝色矩形,名为但是,这个窗口当中所有点的点集构成的质心在蓝色圆形点处圆环的型 Meanshift and Camshift Meanshift Meanshift 算法的基本原理简单,假设我们有一堆点,和一个小的圆形窗口,...
阅读 844·2023-04-25 21:21
阅读 3226·2021-11-24 09:39
阅读 3067·2021-09-02 15:41
阅读 1993·2021-08-26 14:13
阅读 1827·2019-08-30 11:18
阅读 2768·2019-08-29 16:25
阅读 506·2019-08-28 18:27
阅读 1580·2019-08-28 18:17