Match & 直方图 (3): 反向投影

一，引言；

第二,考虑反向预测功能概念。

接下来,考虑反向预测的作用。

(四) 逆向预测的结果

(五) 逆向预测计算:CalcBackProject () 方法;

(六) 频道复制:混合通道();

七. 逆向预测是一个综合方法。

一，引言

如果图像区域作为结构质地或不同的物体表示,则区域直径可被视为概率函数,其形式为像素属于质地或物体的可能性。
反向投影是一种记录特定图片中的像素点如何与直方图模型像素分布模式相匹配的方法。
简单解释一下,反向预测是计算一个特征的直方图模型的过程,然后利用该模型将该特征定位在图像中。

第二点是反向预测功能概念。

将使用H-S皮肤直方图作为示范,说明逆向预测是如何运作的。
图9是H-S直方图13-9.H-S皮肤直方图的首例。

现在我们要做的是使用模型直方图来评估图像的皮肤范围。检测阶段如下。
(1) 获取测试图片中每个像素(p(ij))的催眠数据,并在直方图中定位hySlyj bin。
(2) 询问模型直方图中的书包值。
(3) 将这个值保存在新的反射图片中,还可以将直方图值降为0-255,使反射投影图像(单声道图像)能够直接显示。
(4) 如图9所示,通过重复试验图象中每个像素的先前程序,可产生最后的反射图象,如图9所示。

(5) 统计语言分析。反向预测值显示测试图片中的像素与皮肤区域相匹配的可能性。例如,图9.17。更亮的部分更可能是皮肤。另一方面,较暗的区域表示皮肤的概率降低。另外，可以注意到，试验的准确性受到棕榈内和棕榈边缘阴影的影响。

三，反向投影的作用

反向投影用于发现输入图片中最符合特定图像的点或范围(通常较大)(通常较小或只有一个像素,此后称为模板图像),即输入图像中显示定位模板图像的位置。

四，反向投影的结果

反向预测结果包括比较每个输入图片像素点的直方图结果。 它可以显示为二维浮动点阵列、二维矩阵或单通道浮动点图像。

V, 使用 CalcBack Project () 方法计算反向预测 。

CalcBackProject () 方法计算直方图的反向预测 。

• 第一个论点,即Const Mat* 类型图像,被插入同一深度(CV_8U或CV_32F)和大小的阵列(或阵列),而段落的数量是可选的。

第二个参数,即型号缩略图,指定数组的数量,即第一个参数中存储的“图像”数量,并有许多原始数组。
·第三个参数，我不知道你在说什么 但我不确定你在说什么 但我不确定你在说什么 但我不确定你在说什么无法删除文件夹“{0}”。第一个频道阵列的值从 0 到图片 [0]. 通道 () 1 不等 。第二个隧道阵列是从图像 [0]. 通道()到图像[0]. 通道+图像[1]. 通道(1)-1。

第四个参数,即输入阵列类型列表,被发送到直方图。
第五个论点是输出阵列类型回路项目,这是一个与图片大小和深度相同的单一频道[0]。
第六个论点,即 const flod** 类型范围,规定了每个维度阵列的边界阵列(第六个维度的分数),这些分数可被解释为每个维度使用的数值范围。
第七参数(双尺度)的默认值为1。 输出预测的可选缩放系数也为1。
第八个选项,即布尔类型的统一,决定直方图是否均匀,并默认设定为正确。

VI, 频道副本: 功能混合频道 ()

此函数将输入参数的频道复制为输出参数特定的频道。 函数注释描述 C++ 原型的两个变量 。

此函数为重新排序图片频道提供了更为复杂的技术。 事实上, 先前的分割 ()、 合并 () 和 cvt Color () 窗体中有些只是混合通道的一部分 。
在下面的例子中,RGBA四道的图片变成了三道BGR(R和B)和不同的阿尔法频道的图像。

七. 逆向预测是一个综合方法。

代码如下：

运行结果：