⽬标：
⼀、概念：老赵与董媛媛在厨房
反向投影是⼀种记录给定图像中的像素点如何适应直⽅图模型像素分布的⽅式。简单的讲，就是⾸先计算某⼀特征的直⽅图模型，然后使⽤模型去寻图像中存在的该特征。例如，你有⼀个肤⾊直⽅图（Hue-Saturation直⽅图），你可以⽤它来寻图像中的肤⾊区域 1. 什么是反向投影？它可以实现什么功能？
2. 如何使⽤OpenCV函数calcBackProject计算反向投影？
3. 如何使⽤OpenCV函数mixChannels组合图像的不同通道？
设有原灰度图像矩阵：
货款结算方式
Image=
防老剂a1 2 3 4
5 6 7 7
9 8 0 1
质粒转化5 6 7 6
将灰度值划分为如下四个区间：
[0,2] [3,5] [6,7] [8,10]
很容易得到这个图像矩阵的直⽅图 hist=4 4 6 2
下来，计算反向投影矩阵（反向投影矩阵的⼤⼩和原灰度图像矩阵的⼤⼩相同）：
原图相中坐标为（0,0）的灰度值为1,1位于区间[0,2]中，区间[0,2]对应的直⽅图值为4，所以反向投影矩阵中坐标为（0,0）的值记为4。按照这个⽅法，依次映射，即可得到image的直⽅图⽅向投影矩阵为：
back_Projection=
4 4 4 4
4 6 6 6
2 2 4 4
4 6 6 6
2、直⽅图的反向投影到底代表了什么？
实际上是将图像的256个灰度值置为很少的⼏个值了，具体有⼏个值，要看把0~255划分为多少个区间！反向投影中某点的值就是它对应的原图像中的点所在区间的灰度直⽅图值。所以，⼀个区间点越多，在反向投影矩阵中就越亮。
反向投影中的“反向”指的是从直⽅图值到反向投影矩阵映射的过程。
通过反向投影，原始的图像被简化了，⽽这个简化的过程实际上就是提取出图像的某个特征。所以我们就可以⽤这个特征来对⽐两幅图，如果两幅图的反向投影矩阵相似或相同，那么我们就可以判定这两幅图这个特征是相同的。
OpenCV的compareHist函数⽤来计算两个直⽅图的相似程度，此函数的返回值就是d(H1,H2)。
函数实现步骤:常见的dna提取方法及优缺点
先⽤cvtColor()把图像从RGB⾊彩空间转换到HSV⾊彩空间；
计算图像的直⽅图，然后归⼀化到[0~1]之间，⽤到函数calcHist()和normalize()；
使⽤下列4种对⽐标准来计算图像直⽅图的相似度:
a.相关系数的标准，Correlation（method=CV_COMP_CORREL）值越⼤，相关度越⾼，最⼤值为1，最⼩值为0；
且N等于直⽅图中bin的个数。
b.卡⽅系数的标准（method=CV_COMP_CHISQR）值越⼩，相关度越⾼，最⼤值⽆上界，最⼩值0；
c.相交系数的标准（method=CV_COMP_INTERSECT）值越⼤，相关度越⾼，最⼤值为9.455319，最⼩值为0；
d.巴⽒系数（Bhattacharyya）的标准（method=CV_COMP_BHATTACHARYYA）值越⼩，相关度越⾼，最⼤值为1，最⼩值为0
⼆、⼯作原理膨胀螺栓
使⽤肤⾊直⽅图为例来解释反向投影的⼯作原理：
假设你已经通过下图得到⼀个肤⾊直⽅图（Hue-Saturation），旁边的直⽅图就是模型直⽅图（代表⼿掌的⽪肤⾊调）。你可以通过掩码操作来抓取⼿掌所在区域的直⽅图;
下图是另⼀张⼿掌图（测试图像）以及对应的整张图像的直⽅图：
我们要做的就是使⽤模型直⽅图（代表⼿掌的⽪肤⾊调）来检测测试图像中的⽪肤区域。以下是步骤：
1. 对测试图像中的每个像素（p(i,j)），获取⾊调数据并到该⾊调（hi,j,si,j）在直⽅图中的bin的位置；
2. 查询模型直⽅图中对应的bin-(hi,j,si,j）并读取该bin的数值；
3. 将此数值存储在新的图像中（BackProjection）。你也可以先归⼀化模型直⽅图，这样测试图像的输出就可以在屏幕显⽰了；
4. 通过对测试图像中的每个像素采⽤以上步骤，我们得到了下⾯的BackProjection结果图：
使⽤统计学的语⾔，BackProjection中存储的数值代表了测试图像中该像素属于⽪肤区域的概率。⽐如上图为例，亮起的区域是⽪肤区域的概率更⼤，⽽更暗的区域则表⽰更低的概率（注意⼿掌内部和边缘的阴影影响了检测的精度）。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议