文档搜索 > Back Projection

Back Projection

Page 1
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 1/7
Back Projection
Goal
In this tutorial you will learn: What is Back Projection and why it is useful How to use the OpenCV function calcBackProject to calculate Back Projection How to mix different channels of an image by using the OpenCV function mixChannels
Theory
What is Back Projection?
Back  Projection  is  a  way  of  recording  how  well  the  pixels  of  a  given  image  fit  the distribution of pixels in a histogram model. To make it simpler: For Back Projection, you calculate the histogram model of a feature and then use it to find this feature in an image. Application  example:  If  you  have  a  histogram  of  flesh  color  (say,  a  HueSaturation histogram ), then you can use it to find flesh color areas in an image:
How does it work?
We explain this by using the skin example: Let??s  say  you  have  gotten  a  skin  histogram  (HueSaturation)  based  on  the  image below.  The  histogram  besides  is  going  to  be  our  model  histogram  (which  we  know represents  a  sample  of  skin  tonality).  You  applied  some  mask  to  capture  only  the histogram of the skin area: Now, let??s imagine that you get another hand image (Test Image) like the one below:

Page 2
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 2/7
(with its respective histogram): What we want to do is to use our model histogram (that we know represents a skin tonality) to detect skin areas in our Test Image. Here are the steps a.  In  each  pixel  of  our  Test  Image  (i.e.    ),  collect  the  data  and  find  the correspondent bin location for that pixel (i.e.   ). b.  Lookup the model histogram in the correspondent bin     and read the bin value. c.  Store this bin value in a new image (BackProjection). Also, you may consider to normalize  the  model  histogram  first,  so  the  output  for  the  Test  Image  can  be visible for you. d.  Applying the steps above, we get the following BackProjection image for our Test Image: e.  In terms of statistics, the values stored in BackProjection represent the probability that a pixel in Test Image belongs to a skin area, based on the model histogram that we use. For instance in our Test image, the brighter areas are more probable to  be  skin  area  (as  they  actually  are),  whereas  the  darker  areas  have  less probability  (notice  that  these  ??dark??  areas  belong  to  surfaces  that  have  some shadow on it, which in turns affects the detection).
Code

Page 3
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 3/7
What does this program do? Loads an image Convert the original to HSV format and separate only Hue channel to be used for the Histogram (using the OpenCV function mixChannels) Let  the  user  to  enter  the  number  of  bins  to  be  used  in  the  calculation  of  the histogram. Calculate the histogram (and update it if the bins change) and the backprojection of the same image. Display the backprojection and the histogram in windows. Downloadable code: a.  Click here for the basic version (explained in this tutorial). b.  For stuff slightly fancier (using HS histograms and floodFill to define a mask for the skin area) you can check the improved demo c.  ...or you can always check out the classical camshiftdemo in samples. Code at glance:
#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <iostream> using namespace cv; using namespace std;
/// Global Variables
Mat src; Mat hsv; Mat hue;
int bins = 25;
/// Function Headers
void Hist_and_Backproj(int, void* );
/** @function main */
int main( int argc, char** argv )
{   /// Read the image   src = imread( argv[1], 1 );   /// Transform it to HSV   cvtColor( src, hsv, CV_BGR2HSV );   /// Use only the Hue value   hue.create( hsv.size(), hsv.depth() );   int ch[] = { 0, 0 };   mixChannels( &hsv, 1, &hue, 1, ch, 1 );   /// Create Trackbar to enter the number of bins   char* window_image = "Source image";   namedWindow( window_image, CV_WINDOW_AUTOSIZE );   createTrackbar("* Hue  bins: ", window_image, &bins, 180, Hist_and_Backproj );   Hist_and_Backproj(0, 0);

Page 4
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 4/7
  /// Show the image   imshow( window_image, src );   /// Wait until user exits the program   waitKey(0);   return 0; }
/**  * @function Hist_and_Backproj  * @brief Callback to Trackbar  */
void Hist_and_Backproj(int, void* )
{   MatND hist;   int histSize = MAX( bins, 2 );   float hue_range[] = { 0, 180 };   const float* ranges = { hue_range };   /// Get the Histogram and normalize it   calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false );   normalize( hist, hist, 0, 255, NORM_MINMAX, ??1, Mat() );   /// Get Backprojection   MatND backproj;   calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true );   /// Draw the backproj   imshow( "BackProj", backproj );   /// Draw the histogram   int w = 400; int h = 400;   int bin_w = cvRound( (double) w / histSize );   Mat histImg = Mat::zeros( w, h, CV_8UC3 );   for( int i = 0; i < bins; i ++ )      { rectangle( histImg, Point( i*bin_w, h ), Point( (i+1)*bin_w, h ?? cvRound( hist.at<float>   imshow( "Histogram", histImg ); }
Explanation
1.  Declare the matrices to store our images and initialize the number of bins to be used by our histogram:
Mat src; Mat hsv; Mat hue;
int bins = 25;
2.  Read the input image and transform it to HSV format:
src = imread( argv[1], 1 ); cvtColor( src, hsv, CV_BGR2HSV );

Page 5
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 5/7
3.  For this tutorial, we will use only the Hue value for our 1D histogram (check out the fancier code in the links above if you want to use the more standard HS histogram, which yields better results):
hue.create( hsv.size(), hsv.depth() );
int ch[] = { 0, 0 };
mixChannels( &hsv, 1, &hue, 1, ch, 1 );
as  you  see,  we  use  the  function
http://docs.opencv.org/modules/core/doc/operations_on_arrays.html? highlight=mixchannels#mixchannelsmixChannels to get only the channel 0 (Hue) from
the hsv image. It gets the following parameters: &hsv: The source array from which the channels will be copied 1: The number of source arrays &hue: The destination array of the copied channels 1: The number of destination arrays ch[] = {0,0}: The array of index pairs indicating how the channels are copied. In this case, the Hue(0) channel of &hsv is being copied to the 0 channel of &hue (1channel) 1: Number of index pairs 4.  Create a Trackbar for the user to enter the bin values. Any change on the Trackbar means a call to the Hist_and_Backproj callback function.
char* window_image = "Source image";
namedWindow( window_image, CV_WINDOW_AUTOSIZE ); createTrackbar("* Hue  bins: ", window_image, &bins, 180, Hist_and_Backproj ); Hist_and_Backproj(0, 0);
5.  Show the image and wait for the user to exit the program:
imshow( window_image, src ); waitKey(0);
return 0;
6.  Hist_and_Backproj  function:  Initialize  the  arguments  needed  for  calcHist.  The number of bins comes from the Trackbar:
void Hist_and_Backproj(int, void* )
{   MatND hist;   int histSize = MAX( bins, 2 );   float hue_range[] = { 0, 180 };   const float* ranges = { hue_range };
7.  Calculate the Histogram and normalize it to the range 
calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false );

Page 6
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 6/7
normalize( hist, hist, 0, 255, NORM_MINMAX, ??1, Mat() );
8.  Get the Backprojection of the same image by calling the function calcBackProject
MatND backproj; calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true );
all the arguments are known (the same as used to calculate the histogram), only we add the backproj matrix, which will store the backprojection of the source image (&hue) 9.  Display backproj:
imshow( "BackProj", backproj );
10.  Draw the 1D Hue histogram of the image:
int w = 400; int h = 400; int bin_w = cvRound( (double) w / histSize );
Mat histImg = Mat::zeros( w, h, CV_8UC3 );
for( int i = 0; i < bins; i ++ )
   { rectangle( histImg, Point( i*bin_w, h ), Point( (i+1)*bin_w, h ?? cvRound( hist.at<float imshow( "Histogram", histImg );
Results
1.  Here are the output by using a sample image ( guess what? Another hand ). You can play with the bin values and you will observe how it affects the results:

Page 7
1/10/2015 Back Projection — OpenCV 2.4.9.0 documentation http://docs.opencv.org/doc/tutorials/imgproc/histograms/back_projection/back_projection.html?highlight=detecting%2520color 7/7
Help and Feedback
You did not find what you were looking for? Ask a question on the Q&A forum. If you think something is missing or wrong in the documentation, please file a bug report.

设为首页 | 加入收藏 | 昂纲搜索

All Rights Reserved Powered by 文档下载网

Copyright © 2011
文档下载网内容来自网络,如有侵犯请和我们联系。tousu#anggang.com
返回顶部