数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化学
生物
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何使用 OpenCV Python 比较两张图像的直方图？
可以使用 **cv2.compareHist()** 函数比较两张图像的直方图。**cv2.compareHist()** 函数接受三个输入参数 - **hist1、hist2** 和 **compare_method**。**hist1** 和 **hist2** 是两张输入图像的直方图，**compare_method** 是用于计算直方图之间匹配程度的度量标准。它返回一个数值参数，表示两个直方图彼此匹配的程度。有四种可用的度量标准来比较直方图 - 相关性、卡方、交集和巴氏距离。
步骤
要比较两张图像的直方图，可以按照以下步骤操作：
导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 **OpenCV** 和 **Matplotlib**。请确保您已安装它们。
使用 **cv2.imread()** 函数读取输入图像。传递输入图像的完整路径。
使用 **cv2.calcHist()** 计算两张输入图像的直方图。
使用 **cv2.normalize()** 对上面计算的两张输入图像的直方图进行归一化。
使用 **cv2.compareHist()** 比较这些归一化后的直方图。它返回比较度量值。将合适的直方图比较方法作为参数传递给此方法。
打印直方图比较度量值。可以选择绘制两个直方图以进行视觉理解。
让我们看一些示例，以便更清楚地了解问题。
输入图像
我们将在下面的示例中使用以下图像作为输入文件。
示例
在此示例中，我们比较两张输入图像的直方图。我们计算并归一化两张图像的直方图，然后比较这些归一化后的直方图。
# import required libraries import cv2 import matplotlib.pyplot as plt # Load the images img1 = cv2.imread('horizon.jpg') img2 = cv2.imread('coins.jpg') # Calculate the histograms, and normalize them hist_img1 = cv2.calcHist([img1], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256]) cv2.normalize(hist_img1, hist_img1, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX) hist_img2 = cv2.calcHist([img2], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256]) cv2.normalize(hist_img2, hist_img2, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX) # Find the metric value metric_val = cv2.compareHist(hist_img1, hist_img2, cv2.HISTCMP_CORREL) print("Metric Value:", metric_val) # plot the histograms of two images plt.subplot(121), plt.hist(img1.ravel(),256,[0,256]), plt.title('horizon.jpg') plt.subplot(122), plt.hist(img2.ravel(),256,[0,256]), plt.title('coins.jpg') plt.show()
输出
执行后，它将产生以下 **输出**：
Metric Value: -0.13959840937070855
并且我们得到以下窗口显示输出：
示例
在此示例中，我们使用四种不同的比较方法比较两张输入图像的直方图：**HISTCMP_CORREL、HISTCMP_CHISQR、HISTCMP_INTERSECT** 和 **HISTCMP_BHATTACHARYYA**。我们计算并归一化两张图像的直方图，然后比较这些归一化后的直方图。
# import required libraries import cv2 import matplotlib.pyplot as plt # Load the images img1 = cv2.imread('horizon.jpg') img2 = cv2.imread('coins.jpg') # Calculate the histograms, and normalize them hist_img1 = cv2.calcHist([img1], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256]) cv2.normalize(hist_img1, hist_img1, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX) hist_img2 = cv2.calcHist([img2], [0, 1, 2], None, [256, 256, 256], [0, 256, 0, 256, 0, 256]) cv2.normalize(hist_img2, hist_img2, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX) # Find the metric value metric_val1 = cv2.compareHist(hist_img1, hist_img2, cv2.HISTCMP_CORREL) metric_val2 = cv2.compareHist(hist_img1, hist_img2, cv2.HISTCMP_CHISQR) metric_val3 = cv2.compareHist(hist_img1, hist_img2, cv2.HISTCMP_INTERSECT) metric_val4 = cv2.compareHist(hist_img1, hist_img2, cv2.HISTCMP_BHATTACHARYYA) print("Metric Value using Correlation Hist Comp Method", metric_val1) print("Metric Value using Chi Square Hist Comp Method", metric_val2) print("Metric Value using Intersection Hist Comp Method", metric_val3) print("Metric Value using Bhattacharyya Hist Comp Method", metric_val4)
输出
执行后，它将产生以下 **输出**：
Metric Value using Correlation Hist Comp Method: -0.13959840937070855 Metric Value using Chi Square Hist Comp Method: 763.9389629197002 Metric Value using Intersection Hist Comp Method: 6.9374825183767825 Metric Value using Bhattacharyya Hist Comp Method: 0.9767985879980464
5K+ 浏览量
