基于OpenCvSharp的数字图像处理 |
您所在的位置：网站首页 › 获取图像的直方图函数 › 基于OpenCvSharp的数字图像处理 |
基于OpenCvSharp的数字图像处理
|
创建项目 | 文件与显示 | 像素操作 | 图像彩色类型转换 | 模糊、平滑、去噪 | 锐化、边缘检测 | 二值化 | 形态学 | 位置变换 | 直方图 | 霍夫变换 | 图像优化 | 图像分割 完整示例项目
直方图是对图像灰度信息的一个统计结果，直方图的分布能够反映图像的某些特征，可用于图像匹配。 一、直方图提取图像直方图的代码如下： Mat src = new Mat(img_lenna, ImreadModes.Grayscale); Mat hist = new Mat(); Cv2.CalcHist(new Mat[] { src }, new int[] { 0 }, new Mat(), hist, 1, new int[] { 256 }, new Rangef[] { new Rangef(0, 256) }); Cv2.Normalize(hist, hist); Mat result = new Mat(new OpenCvSharp.Size(256, 500), MatType.CV_8UC1, new Scalar(255)); for (int i = 0; i < 256; i++) { float v = hist.Get(i); int len = (int)(v * 500); if (len != 0) { Cv2.Line(result, i, 499, i, 500 - len, new Scalar(0)); } } result.SaveImage(img_result);需要注意的是，由于图像大小各异，一般我们会对直方图进行归一化处理，让每个灰度比例之和为1。 效果如下：
对于一些偏暗、偏亮的图片，其反映在直方图上的特征是灰度值偏向低强度或高强度，这样的图片看起来会不够清晰。如下图所示：
这种图片的一个处理方法是进行直方图均衡。实现代码如下： Mat src = new Mat(img_dark, ImreadModes.Grayscale); Mat result = new Mat(); Cv2.EqualizeHist(src, result); result.SaveImage(img_result);效果如下：
直方图比较是用于比较两张图像的相似性。比较的方法有很多，它们的结果不太一致： 完全匹配一半匹配完全不匹配Correl10.7-1Chisqr00.672Intersect10.50Bhattacharyya00.551EMD00.51比较代码如下： Mat p1 = new Mat(img_p1, ImreadModes.Grayscale); Mat p2 = new Mat(img_p2, ImreadModes.Grayscale); Mat hist1 = new Mat(); Cv2.CalcHist(new Mat[] { p1 }, new int[] { 0 }, new Mat(), hist1, 1, new int[] { 256 }, new Rangef[] { new Rangef(0, 256) }); Mat hist2 = new Mat(); Cv2.CalcHist(new Mat[] { p2 }, new int[] { 0 }, new Mat(), hist2, 1, new int[] { 256 }, new Rangef[] { new Rangef(0, 256) }); Cv2.Normalize(hist1, hist1);//比较前先进行归一化 Cv2.Normalize(hist2, hist2); double near = Cv2.CompareHist(hist1, hist2, HistCompMethods.Bhattacharyya); 四、模板匹配模板匹配实质也是直方图的比较，它是逐像素扫描，找出模板在原图中匹配度最高的区域。代码如下： Mat src = new Mat(img_lenna, ImreadModes.Grayscale); Mat templ = new Mat(img_template, ImreadModes.Grayscale); Mat result = new Mat(); Cv2.MatchTemplate(src, templ, result, TemplateMatchModes.SqDiff); Cv2.MinMaxLoc(result, out OpenCvSharp.Point minLoc, out OpenCvSharp.Point maxLoc);minLoc、maxLoc是最优匹配区域和最差匹配区域所在的位置，根据匹配的方法使用不一样，采用最大值还是最小值会有些不一样。如果是SqDiff和SqDiffNormed，使用最小值，其他方法采用最大值。 |
【本文地址】
今日新闻 |
推荐新闻 |