利用C++和OpenCV库计算图像颜色直方图并比较相似度_C/C++

简介

图像直方图是图像中像素强度分布的图形表示。对于彩色图像，我们通常会为每个颜色通道（例如 bgr 或 hsv）计算直方图。通过比较两张图片的直方图，我们可以获得它们在颜色分布上的相似程度。opencv 提供了 cv::calchist 函数用于计算直方图，以及 cv::comparehist 函数用于比较两个直方图。

先决条件

c++ 编译器: 如 g++ (mingw for windows), clang, msvc。
opencv 库: 需要正确安装并配置好编译环境 (版本 3.x 或 4.x)。
两张待比较的图像: 准备好两张图片文件（例如 image1.jpg 和 image2.jpg）。

核心步骤

加载图像: 使用 cv::imread 读取两张待比较的图像。
色彩空间转换 (可选但推荐): 将图像从 bgr 转换到 hsv 色彩空间。hsv 对光照变化的鲁棒性通常比 bgr 好，尤其是 h (hue) 和 s (saturation) 通道。
计算直方图:
- 定义直方图参数（如通道、bins 数量、取值范围）。
- 使用 cv::calchist 为每张图像计算 h-s 二维直方图或单个通道的一维直方图。
归一化直方图 (可选但推荐): 为了消除图像尺寸差异带来的影响，通常会对直方图进行归一化，使其和为1。可以使用 cv::normalize。
比较直方图: 使用 cv::comparehist 函数，选择一种比较方法（如相关性、卡方、交集、巴氏距离）来计算两个直方图之间的相似度/差异度。
输出结果: 显示比较得分。

代码实现

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>

// 函数：计算并归一化图像的 h-s 直方图
cv::mat calculatehsnormalizedhistogram(const cv::mat& image) {
    cv::mat hsvimage;
    cv::cvtcolor(image, hsvimage, cv::color_bgr2hsv);

    // h-s 直方图参数
    // 我们只使用 h 和 s 两个通道
    int hbins = 50; int sbins = 60;
    int histsize[] = { hbins, sbins };

    // hue 范围 [0, 180], saturation 范围 [0, 256]
    float hranges[] = { 0, 180 };
    float sranges[] = { 0, 256 };
    const float* ranges[] = { hranges, sranges };

    // 我们计算 h 和 s 通道的直方图
    int channels[] = { 0, 1 }; // h 通道索引为 0, s 通道索引为 1

    cv::mat hist;
    cv::calchist(&hsvimage, 1, channels, cv::mat(), hist, 2, histsize, ranges, true, false);
    cv::normalize(hist, hist, 0, 1, cv::norm_minmax, -1, cv::mat());

    return hist;
}


int main(int argc, char** argv) {
    if (argc < 3) {
        std::cerr << "用法: " << argv[0] << " <图像1路径> <图像2路径>" << std::endl;
        return -1;
    }

    cv::mat image1 = cv::imread(argv[1]);
    cv::mat image2 = cv::imread(argv[2]);

    if (image1.empty() || image2.empty()) {
        std::cerr << "错误: 无法加载一张或两张图像!" << std::endl;
        return -1;
    }

    // 计算直方图
    cv::mat hist1 = calculatehsnormalizedhistogram(image1);
    cv::mat hist2 = calculatehsnormalizedhistogram(image2);

    // 比较直方图的方法
    // opencv 提供了多种比较方法，这里演示几种常用的
    // histcmp_correl: 相关性 (值越大越相似, 范围 [-1, 1])
    // histcmp_chisqr: 卡方 (值越小越相似, 范围 [0, inf))
    // histcmp_intersect: 交集 (值越大越相似, 范围 [0, sum(hist1) or sum(hist2) after normalization])
    // histcmp_bhattacharyya: 巴氏距离 (值越小越相似, 范围 [0, 1])

    std::cout << "直方图比较结果:" << std::endl;

    double correlation = cv::comparehist(hist1, hist2, cv::histcmp_correl);
    std::cout << "相关性 (correlation): " << correlation << " (越高越相似)" << std::endl;

    double chisquare = cv::comparehist(hist1, hist2, cv::histcmp_chisqr);
    std::cout << "卡方 (chi-square): " << chisquare << " (越低越相似)" << std::endl;

    double intersection = cv::comparehist(hist1, hist2, cv::histcmp_intersect);
    std::cout << "交集 (intersection): " << intersection << " (越高越相似)" << std::endl;

    double bhattacharyya = cv::comparehist(hist1, hist2, cv::histcmp_bhattacharyya);
    std::cout << "巴氏距离 (bhattacharyya): " << bhattacharyya << " (越低越相似)" << std::endl;

    // 可选：显示图像
    cv::imshow("image 1", image1);
    cv::imshow("image 2", image2);
    cv::waitkey(0);
    cv::destroyallwindows();

    return 0;
}

代码详解

calculatehsnormalizedhistogram 函数:
- cv::cvtcolor(image, hsvimage, cv::color_bgr2hsv);: 将输入的 bgr 图像转换为 hsv 图像。
- hbins, sbins: 定义 h (色调) 和 s (饱和度) 通道直方图的 bin (条柱) 的数量。
- hranges, sranges: 定义 h 和 s 通道像素值的范围。opencv 中 h 的范围是 [0, 179]，s 和 v 的范围是 [0, 255]。
- channels: 指定要计算直方图的通道，这里是第 0 (h) 和第 1 (s) 通道。
- cv::calchist(...): 计算 h-s 二维直方图。
  - &hsvimage: 输入图像的指针 (这里用数组是因为可以传入多个图像，但我们只用一个)。
  - 1: 图像数量。
  - channels: 要统计的通道列表。
  - cv::mat(): 可选的掩码 (mask)，这里不使用。
  - hist: 输出的直方图。
  - 2: 直方图的维度 (因为是 h-s 二维直方图)。
  - histsize: 每个维度中 bin 的数量。
  - ranges: 每个维度值的范围。
  - true: 直方图是均匀的。
  - false: 直方图在计算时不累积。
- cv::normalize(hist, hist, 0, 1, cv::norm_minmax, -1, cv::mat());: 将直方图归一化到 [0, 1] 范围，以便比较。
main 函数:
- 加载两张图像。
- 调用 calculatehsnormalizedhistogram 分别计算两张图像的 h-s 直方图。
- 使用 cv::comparehist 和不同的比较方法 (cv::histcmp_correl, cv::histcmp_chisqr, cv::histcmp_intersect, cv::histcmp_bhattacharyya) 比较两个归一化后的直方图。
- 打印比较结果。
- 可选地显示图像。

编译与运行

假设你的 c++ 文件名为 histogram_comparison.cpp，并且 opencv 已正确配置。

linux / macos (使用 g++):

你需要使用 pkg-config 来获取 opencv 的编译和链接标志。

g++ histogram_comparison.cpp -o histogram_comparator $(pkg-config --cflags --libs opencv4)
./histogram_comparator path/to/image1.jpg path/to/image2.jpg

如果你的 opencv 版本不是 4.x，或者 pkg-config 配置的是旧版本，你可能需要使用 opencv 替换 opencv4。

windows (使用 visual studio):

你需要在项目中配置 opencv 的包含目录、库目录，并链接相应的 opencv 库文件。

cmake (推荐的跨平台方式):

创建一个 cmakelists.txt 文件：

cmake_minimum_required(version 3.10)
project(histogramcomparator)

set(cmake_cxx_standard 11) # 或更高版本

find_package(opencv required)

include_directories(${opencv_include_dirs})

add_executable(histogram_comparator histogram_comparison.cpp)
target_link_libraries(histogram_comparator ${opencv_libs})

然后编译：

mkdir build && cd build
cmake ..
make # 或者在 visual studio 中打开生成的项目并编译
./histogram_comparator path/to/image1.jpg path/to/image2.jpg

结果解读

cv::comparehist 函数返回一个 double 值，其含义取决于所选的比较方法：

相关性 (cv::histcmp_correl): 结果范围为 [-1, 1]。值越接近 1，表示两直方图越相似。接近 0 表示不相关，接近 -1 表示负相关。
卡方 (cv::histcmp_chisqr): 结果范围为 [0, ∞)。值越小，表示两直方图越相似。0 表示完全相同。
交集 (cv::histcmp_intersect): 对于归一化到 [0,1] 的直方图，如果两个直方图完全相同，则结果为1 (如果未归一化到和为1，则为直方图的总 bin 数或像素数)。值越大，表示重叠部分越多，越相似。
巴氏距离 (cv::histcmp_bhattacharyya): 结果范围为 [0, 1]。值越小，表示两直方图越相似。0 表示完全相同。

根据应用场景选择合适的比较方法。例如，相关性和交集是衡量相似度的，而卡方和巴氏距离是衡量差异度的。