圖像直方圖

圖像直方圖是反映一個圖像像素分布的統(tǒng)計表，其實橫坐標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)或者占所有像素個數(shù)的百分比。圖像是由像素構成，因為反映像素分布的直方圖往往可以作為圖像一個很重要的特征。在實際工程中，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，我們可以認為這兩幅圖是一樣的，這就是直方圖比較的應用之一。

2. 分析圖像之間關系

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）

相關性比較 (method=cv.HISTCMP_CORREL) 值越大，相關度越高，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，相關度越高，最大值為1，最小值為0

代碼實現(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（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] # 人為構建直方圖矩陣的索引，該索引是通過每一個像素點的三通道值進行構建 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, 相關性：0.8805851455583134,卡方：154379.82963705878

從計算得到的三個比較值可以發(fā)現(xiàn)巴氏距離較低，相關性較高，可以簡單認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, 相關性：0.03202528698270991,卡方：503948.24201884575

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

總結

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