opencv 彩色图像的高斯反向投影

一、话说反向投影

图像反向投影的最终目的是获取ROI然后实现对ROI区域的标注、识别、测量等图像处理与分析，是计算机视觉与人工智能的常见方法之一。图像反向投影通常是彩色图像投影效果会比灰度图像效果要好，原因在于彩色图像带有更多对象细节信息，在反向投影的时候更加容易判断、而转为灰度图像会导致这些细节信息丢失、从而导致分割失败。最常见的是基于图像直方图特征的反向投影。我们这里介绍一种跟直方图反向投影不一样的彩色图像反向投影方法，通过基于高斯的概率分布公式（PDF）估算，反向投影得到对象区域，该方法也可以看做最简单的图像分割方法。缺点是对象颜色光照改变和尺度改变不具备不变性特征。所以需要在光照度稳定情况下成像采集图像数据。 在这种情况下使用的高斯概率密度公式为：

二、算法的实现步骤

1. 输入模型M，对M的每个像素点（R,G,B）计算I=R+G+B r=R/I, g=G/I, b=B/I

2. 根据得到权重比例值，计算得到对应的均值 与标准方差

3. 对输入图像的每个像素点计算根据高斯公式计算P(r)与P(g)的乘积

4. 归一化之后输出结果，即为最终基于高斯PDF的反向投影图像

5. 根据Mask得到最终颜色模型对象分割

三、实验

int main()
{
	Mat src,model;
	src = imread("D:\\cv_study\\Exercise\\Gaussian backprojection\\flower.jpg");
	model = imread("D:\\cv_study\\Exercise\\Gaussian backprojection\\model.jpg");
	//rectangle(src, Rect(Point(439, 115), Point(596, 295)), Scalar(255, 0, 0), 3, 8);
	//Mat rio = src(Rect(Point(439, 115), Point(596, 298)));
	//imwrite("D:\\cv_study\\Exercise\\Gaussian backprojection\\model.jpg", rio);
    //imwrite("D:\\cv_study\\Exercise\\Gaussian backprojection\\test.jpg", src);
	Mat R = Mat::zeros(model.size(), CV_32FC1);
	Mat G = Mat::zeros(model.size(), CV_32FC1);
	int r = 0, g = 0, b = 0;
	float sum = 0;
	for (int i = 0; i < model.rows; i++)
	{
		uchar* current = model.ptr<uchar>(i);
		for (int j = 0; j < model.cols; j++)
		{
			b = *current++;
			g = *current++;
			r = *current++;
			sum = b + g + r;
			R.at<float>(i, j) = r / sum;
			G.at<float>(i, j) = g / sum;
		}
	}
	Mat mean, stddev;
	double mr, devr;
	double mg, devg;
	meanStdDev(R, mean, stddev);
	mr = mean.at<double>(0, 0);
	devr = stddev.at<double>(0, 0);
	meanStdDev(G, mean, stddev);
	mg = mean.at<double>(0, 0);
	devg = stddev.at<double>(0, 0);
	int width = src.cols;
	int height = src.rows;
	// 反向投影
	float pr = 0, pg = 0;
	Mat result = Mat::zeros(src.size(), CV_32FC1);
	for (int row = 0; row < height; row++) 
	{
		uchar* currentRow = src.ptr<uchar>(row);
		for (int col = 0; col < width; col++)
		{
			b = *currentRow++;
			g = *currentRow++;
			r = *currentRow++;
			sum = b + g + r;
			float red = r / sum;
			float green = g / sum;
			pr = (1 / (devr*sqrt(2 * CV_PI)))*exp(-(pow((red - mr), 2)) / (2 * pow(devr, 2)));
			pg = (1 / (devg*sqrt(2 * CV_PI)))*exp(-(pow((green - mg), 2)) / (2 * pow(devg, 2)));
			sum = pr*pg;
			result.at<float>(row, col) = sum;
		}
	}
	Mat img(src.size(), CV_8UC1);
	normalize(result, result, 0, 255, NORM_MINMAX);
	result.convertTo(img, CV_8U);
	Mat segmentation;
	src.copyTo(segmentation, img);
	waitKey(0);
    return 0;
}

其中注释的几行代码是用来生成模型，整张图片作为测试图像，结果如下：

这个是在一个公共号上看到的，详情可以看opencv学堂这个公众号，今天的内容就这么多，有你们的鼓励，小编将会更努力