一、什么是反射投影
简单的说就是通过给定的直方图信息，在图像找到相应的像素分布区域
二、反射投影的应用
物体跟踪、定位物体等
三、示例代码
import cv2 as cv import numpy as np from matplotlib import pyplot as plt def hist2d(image): """2d 直方图计算和现实""" #转换为hsv色彩空间 hsv=cv.cvtColor(image,cv.COLOR_BGR2HSV) #[180,256] bins 越多对每个像素细分的越厉害，会导致反响直方图的碎片化 #[0,180,0,256]:hsv色彩空间中 h和s的取值范围，只是固定的 hist=cv.calcHist([image],[0,1],None,[180,256],[0,180,0,256]) #interpolation:差值方式 plt.imshow(hist,interpolation='nearest') #直方图名字 plt.title("2D hist") #图三 plt.show() def backProjection(): """直方图反响投影""" #样本图片 sample=cv.imread('pzfb.jpg') #目标片图片 target=cv.imread('pz.jpg') sample_hsv=cv.cvtColor(sample,cv.COLOR_BGR2HSV) target_hsv=cv.cvtColor(target,cv.COLOR_BGR2HSV) #图一 cv.imshow("sample",sample) #图二 cv.imshow("target",target) #获得样本图片直方图 #[0,1]:用于计算直方图的通道，这里使用hsv计算直方图，所以就直接使用第一h和第二通道，即h和s通道； #None:是否使用mask，None 否 #[32,32] bins 越多对每个像素细分的越厉害，会导致反响直方图的碎片化 #[0,180,0,256]:hsv色彩空间中 h和s的取值范围，是固定的 sample_hist=cv.calcHist([sample_hsv],[0,1],None,[32,32],[0,180,0,256]) #规划样本图片直方图 #sample_hist:输入的矩阵 #sample_hist：归一化后的矩阵 #0:归一化后的矩阵的最小值 #255：归一化后的矩阵的最大值 #cv.NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用 cv.normalize(sample_hist,sample_hist,0,255,cv.NORM_MINMAX) #生成反响投影 #target_hsv:目标图像hsv矩阵 #[0,1]:用于计算直方图反射投影的通道，这里使用hsv计算直方图，所以就直接使用第一h和第二通道，即h和s通道； # [0,180,0,256]:hsv色彩空间中 h和s的取值范围，是固定的 #1:是否缩放大小，1不需要，0需要 dst=cv.calcBackProject([target_hsv],[0,1],sample_hist,[0,180,0,256],1) #图四 cv.imshow("bp",dst) src=cv.imread('textImg.jpg') hist2d(src); backProjection() #等待用户操作 cv.waitKey(0) #释放所有窗口 cv.destroyAllWindows()注意：直方图反向投影须在hsv色彩空间下进行
图一
图二
图三
图四
| 觉得不错打赏一下 | |
|---|---|
 |
 |