摘要：理論直方圖反向投影用于圖像分割或查找圖像中感興趣的對(duì)象簡(jiǎn)單來(lái)說，它會(huì)創(chuàng)建一個(gè)與輸入圖像大小相同單個(gè)通道的圖像其中每個(gè)像素對(duì)應(yīng)于屬于我們對(duì)象該像素的概率輸出圖像將使我們感興趣的對(duì)象比其余部分更明顯首先，我們創(chuàng)建一個(gè)包含我們感興趣對(duì)象的圖像的

Histogram - 4 : Histogram Backprojection

直方圖反向投影用于圖像分割或查找圖像中感興趣的對(duì)象,簡(jiǎn)單來(lái)說，它會(huì)創(chuàng)建一個(gè)與輸入圖像大小相同（單個(gè)通道）的圖像,其中每個(gè)像素對(duì)應(yīng)于屬于我們對(duì)象該像素的概率.輸出圖像將使我們感興趣的對(duì)象比其余部分更明顯.

首先，我們創(chuàng)建一個(gè)包含我們感興趣對(duì)象的圖像的直方圖，對(duì)象應(yīng)盡可能填充圖像以獲得更好的結(jié)果，顏色直方圖比灰度直方圖更受青睞，因?yàn)閷?duì)象的顏色比灰度強(qiáng)度更能定義對(duì)象，然后我們將這個(gè)直方圖“反投影”到我們需要找到對(duì)象的測(cè)試圖像上.

OpenCV提供了一個(gè)內(nèi)置函數(shù)cv.calcBackProject（）。 它的參數(shù)與cv.calcHist（）函數(shù)幾乎相同. 此外，在傳遞給backproject函數(shù)之前，應(yīng)該對(duì)象直方圖進(jìn)行標(biāo)準(zhǔn)化. 它返回概率圖像,然后我們將圖像與內(nèi)核卷積并應(yīng)用閾值.
代碼：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# roi是我們需要找到的對(duì)象或區(qū)域
roi = cv2.imread("img_roi.png")
hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)

# target是我們搜索的圖像
target = cv2.imread("img.jpg")
hsvt = cv2.cvtColor(target, cv2.COLOR_BGR2HSV)

# 計(jì)算對(duì)象的直方圖
roihist = cv2.calcHist([hsv], [0,1], None, [180,256], [0,180,0,256])

# 標(biāo)準(zhǔn)化直方圖，并應(yīng)用投影
cv2.normalize(roihist, roihist, 0, 255, cv2.NORM_MINMAX)
dst = cv2.calcBackProject([hsvt], [0,1], roihist, [0,180,0,256], 1)

# 與磁盤內(nèi)核進(jìn)行卷積
disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
cv2.filter2D(dst, -1, disc, dst)

# 閾值、二進(jìn)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()

原圖：

感興趣區(qū)域：

結(jié)果：