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：