圖像直方圖

圖像直方圖是反映一個(gè)圖像像素分布的統(tǒng)計(jì)表，其實(shí)橫坐標(biāo)代表了圖像像素的種類，可以是灰度的，也可以是彩色的。縱坐標(biāo)代表了每一種顏色值在圖像中的像素總數(shù)或者占所有像素個(gè)數(shù)的百分比。圖像是由像素構(gòu)成，因?yàn)榉从诚袼胤植嫉闹狈綀D往往可以作為圖像一個(gè)很重要的特征。在實(shí)際工程中，圖像直方圖在特征提取、圖像匹配等方面都有很好的應(yīng)用。

直方圖比較

1. 圖像相似度比較

如果我們有兩張圖像，并且這兩張圖像的直方圖一樣，或者有極高的相似度，那么在一定程度上，我們可以認(rèn)為這兩幅圖是一樣的，這就是直方圖比較的應(yīng)用之一。

2. 分析圖像之間關(guān)系

兩張圖像的直方圖反映了該圖像像素的分布情況，可以利用圖像的直方圖，來分析兩張圖像的關(guān)系。

直方圖比較函數(shù)

cv2.compareHist(H1, H2, method)

其中：

H1，H2 分別為要比較圖像的直方圖 method - 比較方式

比較方式（method）

相關(guān)性比較 (method=cv.HISTCMP_CORREL) 值越大，相關(guān)度越高，最大值為1，最小值為0 卡方比較(method=cv.HISTCMP_CHISQR 值越小，相關(guān)度越高，最大值無上界，最小值0 巴氏距離比較(method=cv.HISTCMP_BHATTACHARYYA) 值越小，相關(guān)度越高，最大值為1，最小值為0

代碼實(shí)現(xiàn)

import cv2 as cvimport numpy as npfrom matplotlib import pyplot as pltdef create_rgb_hist(image): ''''創(chuàng)建 RGB 三通道直方圖（直方圖矩陣）''' h, w, c = image.shape # 創(chuàng)建一個(gè)（16*16*16,1）的初始矩陣，作為直方圖矩陣 # 16*16*16的意思為三通道每通道有16個(gè)bins rgbhist = np.zeros([16 * 16 * 16, 1], np.float32) bsize = 256 / 16 for row in range(h): for col in range(w): b = image[row, col, 0] g = image[row, col, 1] r = image[row, col, 2] # 人為構(gòu)建直方圖矩陣的索引，該索引是通過每一個(gè)像素點(diǎn)的三通道值進(jìn)行構(gòu)建 index = int(b / bsize) * 16 * 16 + int(g / bsize) * 16 + int(r / bsize) # 該處形成的矩陣即為直方圖矩陣 rgbhist[int(index), 0] += 1 plt.ylim([0, 10000]) plt.grid(color=’r’, linestyle=’--’, linewidth=0.5, alpha=0.3) return rgbhistdef hist_compare(image1, image2): '''直方圖比較函數(shù)''' # 創(chuàng)建第一幅圖的rgb三通道直方圖（直方圖矩陣） hist1 = create_rgb_hist(image1) # 創(chuàng)建第二幅圖的rgb三通道直方圖（直方圖矩陣） hist2 = create_rgb_hist(image2) # 進(jìn)行三種方式的直方圖比較 match1 = cv.compareHist(hist1, hist2, cv.HISTCMP_BHATTACHARYYA) match2 = cv.compareHist(hist1, hist2, cv.HISTCMP_CORREL) match3 = cv.compareHist(hist1, hist2, cv.HISTCMP_CHISQR) print('巴氏距離：%s, 相關(guān)性：%s, 卡方：%s' %(match1, match2, match3))src1 = cv.imread('diff1.PNG')cv.imshow('diff1', src1)src2 = cv.imread('diff2.PNG')cv.imshow('diff2', src2)plt.subplot(1,2,1)plt.title('diff1')plt.plot(create_rgb_hist(src1))plt.subplot(1,2,2)plt.title('diff2')plt.plot(create_rgb_hist(src2))hist_compare(src1, src2)plt.show()cv.waitKey(0)cv.destroyAllWindows()

巴氏距離：0.3116175231543461, 相關(guān)性：0.8805851455583134,卡方：154379.82963705878

從計(jì)算得到的三個(gè)比較值可以發(fā)現(xiàn)巴氏距離較低，相關(guān)性較高，可以簡單認(rèn)為這兩幅圖的相似度比較大。

例如下面兩幅圖

巴氏距離：0.8939676325760126, 相關(guān)性：0.03202528698270991,卡方：503948.24201884575

從計(jì)算得到的三個(gè)比較值可以發(fā)現(xiàn)巴氏距離很高，相關(guān)性系數(shù)很低，可以簡單認(rèn)為這兩幅圖的相似度非常小。

總結(jié)

到此這篇關(guān)于Python Opencv中用compareHist函數(shù)進(jìn)行直方圖比較進(jìn)行對比圖片的文章就介紹到這了,更多相關(guān)python Opencv compareHist函數(shù)直方圖內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！