直方图比较方法-概述

对输入的两张图像计算得到直方图H1与H2，归一化到相同的尺度空间

然后可以通过计算H1与H2的之间的距离得到两个直方图的相似程度进

而比较图像本身的相似程度。Opencv提供的比较方法有四种：

Correlation 相关性比较 -（计算结果范围为 -1到1 -1很不相关，1完全一样）
Chi-Square 卡方比较 -（计算结果越接近0，两个直方图越相似）
Intersection 十字交叉性 -（计算公式为取两个直方图每个相同位置的值的最小值，然后求和，这个比较方式不是很好，不建议使用）
Bhattacharyya distance 巴氏距离 - （比较结果是很准的，计算结果范围为 0-1 ，0表示两个直方图非常相关，1最不相似）

1. 直方图比较方法-相关性计算(CV_COMP_CORREL)

计算结果范围为 -1到1 -1很不相关，1完全一样

2. 直方图比较方法-卡方计算(CV_COMP_CHISQR)

计算结果越接近0，两个直方图越相似

H1,H2分别表示两个图像的直方图数据

3. 直方图比较方法-十字计算(CV_COMP_INTERSECT)

计算公式为取两个直方图每个相同位置的值的最小值，然后求和，这个比较方式不是很好，不建议使用

H1,H2分别表示两个图像的直方图数据

4. 直方图比较方法-巴氏距离计算(CV_COMP_BHATTACHARYYA )

比较结果是很准的，计算结果范围为 0-1 ，0表示两个直方图非常相关，1最不相似

H1,H2分别表示两个图像的直方图数据

程序步骤：

加载图像数据
从RGB空间转换到HSV空间
计算直方图并归一化
比较直方图，并返回值

程序代码



#include &lt;opencv2/opencv.hpp&gt;

#include &lt;iostream&gt;

#include &lt;math.h&gt;

using namespace std;

using namespace cv;

string convertToString(double d);

int main(int argc, char** argv) {

	// 1. 声明储存基准图像和另外两张对比图像的矩阵( RGB 和 HSV )

	Mat base, test1, test2;

	Mat hsvbase, hsvtest1, hsvtest2;

	// 2. 装载基准图像(src_base) 和两张测试图像:

	base = imread("E:/Experiment/OpenCV/Pictures/lenanoise.jpg");

	if (!base.data) {

		printf("could not load image...\n");

		return -1;

	}

	test1 = imread("E:/Experiment/OpenCV/Pictures/lena.jpg");

	test2 = imread("E:/Experiment/OpenCV/Pictures/lena1.jpg");

	// 3. 将图像转化到HSV格式:

	cvtColor(base, hsvbase, CV_BGR2HSV);//转换为 HSV 颜色空间，也是3通道

	cvtColor(test1, hsvtest1, CV_BGR2HSV);

	cvtColor(test2, hsvtest2, CV_BGR2HSV);

	// 4. 初始化计算直方图需要的实参(bins, 范围，通道 H 和 S ).

	int h_bins = 50; int s_bins = 60;

	int histSize[] = { h_bins, s_bins };

	// hue varies from 0 to 179, saturation from 0 to 255

	float h_ranges[] = { 0, 180 };

	float s_ranges[] = { 0, 256 };

	const float* ranges[] = { h_ranges, s_ranges };

	// Use the o-th and 1-st channels

	int channels[] = { 0, 1 };

	// 5. 创建储存直方图的 MatND 实例:

	//ND 表示二维或多维的Mat ，typedef Mat MatND; 源码中MatND的声明。 Mat表示二维的数组

	MatND hist_base;

	MatND hist_test1;

	MatND hist_test2;

	// 6. 计算基准图像，两张测试图像

	calcHist(&amp;hsvbase, 1,  channels, Mat(), hist_base, 2, histSize, ranges, true, false);

	normalize(hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat());//归一化到 0-1 之间

	calcHist(&amp;hsvtest1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false);

	normalize(hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat());

	calcHist(&amp;hsvtest2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false);

	normalize(hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat());

	// 7. 使用4种对比标准将基准图像(hist_base)的直方图与其余各直方图进行对比:

	//比较的算法 CV_COMP_CORREL CHISQR INTERSECT BHATTACHARYYA

	double basebase = compareHist(hist_base, hist_base, CV_COMP_CORREL);

	double basetest1 = compareHist(hist_base, hist_test1, CV_COMP_CORREL);

	double basetest2 = compareHist(hist_base, hist_test2, CV_COMP_CORREL);

	double tes1test2 = compareHist(hist_test1, hist_test2, CV_COMP_CORREL);

	printf("test1 compare with test2 correlation value :%f", tes1test2);

	Mat test12;

	test2.copyTo(test12);

	// 8. 将比较的结果转换为string，然后以文字的方式绘制到图形上

	putText(base, convertToString(basebase), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA);

	putText(test1, convertToString(basetest1), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA);

	putText(test2, convertToString(basetest2), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA);

	putText(test12, convertToString(tes1test2), Point(50, 50), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 2, LINE_AA);

	namedWindow("base", CV_WINDOW_AUTOSIZE);

	namedWindow("test1", CV_WINDOW_AUTOSIZE);

	namedWindow("test2", CV_WINDOW_AUTOSIZE);

	imshow("base", base);

	imshow("test1", test1);

	imshow("test2", test2);

	imshow("test12", test12);

	waitKey(0);

	return 0;

}

string convertToString(double d) {

	ostringstream os;

	if (os &lt;&lt; d)  // &lt;&lt; 运算符重载了，将double转成string

		return os.str();

	return "invalid conversion";

}