(轉)opencv--直方圖&最大熵分割

原來一直覺得OpenCV裡的直方圖函式十分簡單，今天臨時需要用才發現原來OpenCV的calcHist功能如此強大，不僅能計算常見的1D Hist， calcHist理論上支援32維以下的Hist.(32維啊有木有！)

image: 輸入影象序列

nimages: 源影象數量

channels: 用於計算hist的通道List

mask:不解釋

hist:生成的hist

dims:hist的維數（必須大於0，目前版本支援不大於CV_MAX_DIMS=32）

histSzie:每一維的size（即bins）

ranges: 直方圖每一維的bins的邊界的序列

uniform:是否對齊

accumlate:如果set為true，則直方圖在使用之前不clear，用於在一個hist內儲存多個影象集的直方圖，或者及時更新hist。

實現程式碼：

在此實現兩個直方圖繪製函式，分別繪製1D，2D直方圖。

BGR三通道1D直方圖：

附帶的在程式裡實現了一個視窗內顯示多幅影象，也可以使用Mat1.put_back(Mat2)，但是push_back是向y軸方向push mat ，醬紫顯示的就是細長細長視窗，所以還是使用ROI的使用者體驗比較好。

Mat drawHist(Mat hist,int bins,int height,Scalar rgb)  
{  
    double maxVal=0;  
    minMaxLoc(hist,0,&maxVal,0,0);  
    int scale=1;  
    Mat histImg = Mat::zeros(height, bins, CV_8UC3);  
    float *binVal = hist.ptr<float>(0);  
    for (int i=0; i<bins; i++)  
    {  
        int intensity = cvRound(binVal[i]*height/maxVal);  
        rectangle(histImg,Point(i*scale,0),  
            Point((i+1)*scale,(intensity)),rgb,CV_FILLED);  
    }  
    flip(histImg,histImg,0);  
    return histImg;  
}  
  
void darwHistRGB(const Mat& src)  
{  
    Mat histB,histG,histR;  
  
    int bins=256;  
    int histSize[] = {bins};  
    float range[] = {0,256};  
    const float* ranges[] = {range};  
    int channelsB[] = {0};  
        int channelsG[] = {1};  
        int channelsR[] = {2};  
    calcHist(&src,1,channelsB,Mat(),histB,1,histSize,ranges,true,false);  
    calcHist(&src,1,channelsG,Mat(),histG,1,histSize,ranges,true,false);  
    calcHist(&src,1,channelsR,Mat(),histR,1,histSize,ranges,true,false);  
  
    Mat histBImg = drawHist(histB,bins,200,Scalar(255,0,0));  
    Mat histGImg = drawHist(histG,bins,200,Scalar(0,255,0));  
    Mat histRImg = drawHist(histR,bins,200,Scalar(0,0,255));  
      
    //在一個視窗中顯示多幅影象  
    Mat display(200,bins*3,CV_8UC3);  
    Mat displayROI = display(Rect(0,0,bins,200));  
    resize(histBImg,displayROI,displayROI.size());  
    displayROI = display(Rect(bins,0,bins,200));  
    resize(histGImg,displayROI,displayROI.size());  
    displayROI = display(Rect(bins*2,0,bins,200));  
    resize(histRImg,displayROI,displayROI.size());  
  
    imshow("histRGB",display);  
    waitKey();  
}  
  
int main()  
{  
   	Mat src = imread("e:/test/5.jpg",1);
	/*或者可以做Mat hsv=Mat::zeros( src.rows, src.cols, CV_8UC3 );;

	cvtColor(src,hsv,CV_RGB2HSV,0);
	imshow("hsv",hsv);*/
    darwHistRGB(src);  
    return 1;  
}

HSV的H-S通道2D直方圖：

灰度值的大小代表了直方圖的高度。可以看做是一個從上向下（-Z軸方向）看的三維柱狀圖。

[cpp] view plain copy print ?

int main( )
{
Mat src, hsv;
src = imread("D:/demo.jpg", 1);
cvtColor(src, hsv, CV_BGR2HSV);
// Quantize the hue to 30 levels
// and the saturation to 32 levels
int hbins = 30, sbins = 32;
int histSize[] = {hbins, sbins};
// hue varies from 0 to 179, see cvtColor
float hranges[] = { 0, 180 };
// saturation varies from 0 (black-gray-white) to
// 255 (pure spectrum color)
float sranges[] = { 0, 256 };
constfloat* ranges[] = { hranges, sranges };
MatND hist;
// we compute the histogram from the 0-th and 1-st channels
int channels[] = {0, 1};
calcHist( &hsv, 1, channels, Mat(), // do not use mask
hist, 2, histSize, ranges,
true, // the histogram is uniform
false );
double maxVal=0;
minMaxLoc(hist, 0, &maxVal, 0, 0);
int scale = 10;
Mat histImg = Mat::zeros(sbins*scale, hbins*10, CV_8UC3);
for( int h = 0; h < hbins; h++ )
for( int s = 0; s < sbins; s++ )
{
float binVal = hist.at<float>(h, s);
int intensity = cvRound(binVal*255/maxVal);
rectangle( histImg, Point(h*scale, s*scale),
Point( (h+1)*scale - 1, (s+1)*scale - 1),
Scalar::all(intensity),
CV_FILLED );
}
namedWindow( "Source", 1 );
imshow( "Source", src );
namedWindow( "H-S Histogram", 1 );
imshow( "H-S Histogram", histImg );
waitKey();
}

最大熵分割

利用Hist實現最大熵模型

資訊熵：

$H(x)=E(I(x_{i}))=E(\log_{2}(1/p(x_{i})))=\sum p(x_{i})(\log_{2}(1/p(x_{i})))$

最大熵分割：

$Max(\sum_{0}^{threshold-1}p(x_{i})(\log_{2}(1/p(x_{i})))+\sum_{threshold}^{255}p(x_{i})(\log_{2}(1/p(x_{i})))\; \; \; \; \; \; \; \; \;(threshold = 0,1\cdots 255)$

[cpp] view plain copy print ?

#include <iostream>
#include <opencv/cv.h>
#include <opencv/highgui.h>
usingnamespace std;
usingnamespace cv;
typedefenum {back,object} entropy_state;
float total;
//繪製hist;
Mat drawHist(Mat hist,int bins,int height,Scalar rgb)
{
double maxVal=0;
minMaxLoc(hist,0,&maxVal,0,0);
int scale=1;
Mat histImg = Mat::zeros(height, bins, CV_8UC3);
float *binVal = hist.ptr<float>(0);
for (int i=0; i<bins; i++)
{
int intensity = cvRound(binVal[i]*height/maxVal);
rectangle(histImg,Point(i*scale,0),
Point((i+1)*scale,(intensity)),rgb,CV_FILLED);
}
flip(histImg,histImg,0);
return histImg;
}
//計算直方圖;
Mat Hist(const Mat& src)
{
Mat hist;
int bins=256;
int histSize[] = {bins};
float range[] = {0,256};
constfloat* ranges[] = {range};
int channels[] = {0};
calcHist(&src,1,channels,Mat(),hist,1,histSize,ranges,true,false);
Mat histImg = drawHist(hist,bins,200,Scalar(255,0,0));
imshow("histRGB",histImg);
return hist;
}
//計算當前熵;
float calEntropy(const Mat& hist,int threshold)
{
float total_back=0,total_object=0;
float entropy_back=0,entropy_object=0;
float entropy = 0;
int i=0;
constfloat* hist_p = (float*) hist.ptr<float>(0);
for (i=0; i<threshold; i++)
{
total_back += hist_p[i];
}
total_object=total-total_back;
//背景熵;
for (i=0; i<threshold; i++)
{
// if(hist_p[i]==0)
// continue;
float percentage = hist_p[i]/total_back;
entropy_back += -percentage * logf(percentage); // 能量的定義公式
}
//前景熵;
for (i=threshold; i<hist.cols; i++)
{
// if(hist_p[i]==0)
// {
// continue;
// }
float percentage = hist_p[i]/total_object;
entropy_object += -percentage * logf(percentage); // 能量的定義公式；
}
entropy = entropy_object+entropy_back;
return entropy;
}
void MaxEntropy(Mat img, Mat hist)
{
total = sum(hist)[0];
float MaxEntropyValue = 0.0, MaxEntropyThreshold=0.0;
float tmp;
for (int i=0; i<hist.cols; i++)
{
tmp = calEntropy(hist,i);
if(tmp>MaxEntropyValue)
{
相關推薦

(轉)opencv--直方圖&最大熵分割

原來一直覺得OpenCV裡的直方圖函式十分簡單，今天臨時需要用才發現原來OpenCV的calcHist功能如此強大，不僅能計算常見的1D Hist， calcHist理論上支援32維以下的Hist.(32維啊有木有！) image: 輸入影象序列 nimages

【閾值分割】最大熵分割法

第一次嘗試寫部落格，希望能堅持下去。。。最近在做紅外小目標檢測，用到一個最大熵分割法，ok，下面介紹一下。最大熵分割法現在主要用的熵演算法有 P 氏熵演算法，KSW 熵演算法、JM 熵演算法下面以經典的 KSW 熵演算法為例介紹其原理和計算過程。 KSW熵演算法

OpenCV程式設計：最大熵閾值分割演算法實現(程式碼可執行)

將資訊理論中的 shannon 熵概念用於影象分割，其依據是使得影象中目標與背景分佈的資訊量最大，即通過測量影象灰度直方圖的熵，找出最佳閾值。根據 shannon 熵的概念，對於灰度範圍為 0,1,2,…,L-1 的影象，其直方圖的熵定義為（僅僅是定義）

七種常見閾值分割程式碼(Otsu、最大熵、迭代法、自適應閥值、手動、迭代法、基本全域性閾值法)

整理了一些主要的分割方法，以後用省的再查，其中大部分為轉載資料，轉載連結見資料；一、工具：VC+OpenCV 二、語言：C++ 三、原理（1） otsu法（最大類間方差法，有時也稱之為大津演算法）使用的是聚類的思想，把影象的灰度數按灰度級分成2個部分，使得兩

最大熵閾值分割演算法

#include <opencv2\opencv.hpp> #include <opencv\cv.h> using namespace cv; int HistogramBins = 256; float HistogramRange1[2

matlab基於遺傳演算法的最大熵值法的雙閾值影象分割

利用最佳直方圖熵法（KSW熵法）及傳統遺傳演算法實現灰度影象二閾值分割 matlab程式碼如下： 1、main.m(主函式)： %%%利用最佳直方圖熵法（KSW熵法）及傳統遺傳演算法實現灰度影象二閾值分割 %%%主程式 %% 初始部分，讀取影象及計算

影象閾值分割：最大熵法

影象最大熵閾值分割的原理：使選擇的閾值分割影象目標區域、背景區域兩部分灰度統計的資訊量為最大。具體描述： 1. 根據資訊熵定義，計算原始影象的資訊熵H0，選擇最大、最小灰度灰度的均值為初始閾值T0； 2. 根據T0將影象分割為G1和G2兩個區域，均值分

影象分割：1.基於閾值的影象分割方法(最大熵值分割法）

利用影象熵為準則進行影象分割有一定歷史了，學者們提出了許多以影象熵為基礎進行影象分割的方法。我們介紹一種由Kapuret al提出來，現在仍然使用較廣的一種影象熵分割方法。給定一個特定的閾值q(0<=q<K-1),對於該閾值所分割的兩個影象區域C0,C1，其估

最大熵學習筆記（一）預備知識

color wrap targe dsm entropy plus 文件 eight 相關鏈接生活中我們常常聽到人們說“不要把雞蛋放到一個籃子裏”。這樣能夠減少風險。深究一下，這是為什麽呢？事實上，這裏邊包括了所謂的最大熵原理（The Maxim

最大熵模型

定性全部投資情況進行算法出了信息簡單我們不要把雞蛋都放在一個籃子裏面講得就是最大熵原理，從投資的角度來看這就是風險最小原則。從信息論的角度來說，就是保留了最大的不確定性，也就是讓熵達到了最大。最大熵院裏指出，對一個隨機事件的概率分布進行預測的時候，我

通俗理解最大熵模型

log logs ima 最大熵 ges es2017 最大熵模型 blog image 通俗理解最大熵模型

class-邏輯回歸最大熵

l-bfgs max-width net 觀點通過離散 n) 自然等價我們知道，線性回歸能夠進行簡單的分類，但是它有一個問題是分類的範圍問題，只有加上一個邏輯函數，才能使得其概率值位於0到1之間，因此本次介紹邏輯回歸問題。同時，最大熵模型也是對數線性模型，在介紹最大

Win8 Metro(C#)數字圖像處理--2.57一維最大熵法圖像二值化

rgb ack stream toa tail 函數代碼 ble param nor 原文:Win8 Metro(C#)數字圖像處理--2.57一維最大熵法圖像二值化

淺談最大熵模型中的特徵

最近在看到自然語言處理中的條件隨機場模型時，發現了裡面涉及到了最大熵模型，這才知道最大熵模型自己還是一知半解，於是在知乎上查閱了很多資料，發現特別受用，飲水思源，我將自己整理的一些資料寫下來供大家參考僅僅對輸入抽取特徵。即特徵函式為對輸入和輸出同時抽取特徵。即特徵函式為

斯坦福大學-自然語言處理入門筆記第十一課最大熵模型與判別模型（2）

一、最大熵模型 1、模型介紹基本思想：我們希望資料是均勻分佈的，除非我們有其他的限制條件讓給我們相信資料不是均勻分佈的。均勻分佈代表高熵（high entropy）。所以，最大熵模型的基本思想就是我們要找的分佈是滿足我們限制條件下，同時熵最高的分佈。熵：表示分佈的不

斯坦福大學-自然語言處理入門筆記第八課最大熵模型與判別模型

一、生成模型與判別模型 1、引言到目前為止，我們使用的是生成模型（generative model)，但是在實際使用中我們也在大量使用判別模型（discriminative model)，主要是因為它有如下的優點：準確性很高更容易包含很多和

最大熵原理

相關數學知識： 1、拉格朗日乘子法 2、拉格朗日對偶性 3、凸函式 4、Jensen 不等式 5、經驗分佈 --- 參考資料1：皮果提的文章《最大熵學習筆記》系列 https://blog.csdn.net/itplus/article/details/26550597 其他參考資料：李航·統計學習

ml課程：最大熵與EM演算法及應用（含程式碼實現）

以下是我的學習筆記，以及總結，如有錯誤之處請不吝賜教。本文主要介紹最大熵模型與EM演算法相關內容及相關程式碼案例。關於熵之前的文章中已經學習過，具體可以檢視：ml課程：決策樹、隨機森林、GBDT、XGBoost相關（含程式碼實現），補充一些基本概念：資訊量：資訊的度量，即

【統計學習方法-李航-筆記總結】六、邏輯斯諦迴歸和最大熵模型

本文是李航老師《統計學習方法》第六章的筆記，歡迎大佬巨佬們交流。主要參考部落格： http://www.cnblogs.com/YongSun/p/4767100.html https://blog.csdn.net/tina_ttl/article/details/53519391

統計學習---邏輯斯蒂迴歸與最大熵模型

邏輯斯蒂迴歸和最大熵模型邏輯斯蒂分佈邏輯斯蒂迴歸模型將權值向量和輸入向量加以擴充後的邏輯斯蒂模型為模型引數估計極大似然估計法最大熵模型最大熵原理：在所有可能的概率模型中，熵最大的模型是最好的模型。通常用約

(轉)opencv--直方圖&最大熵分割

相關推薦