opencv 直方图比较

函数 

CV_EXPORTS_W double compareHist( InputArray H1, InputArray H2, int method );
 
//! compares two histograms stored in sparse arrays
CV_EXPORTS double compareHist( const SparseMat& H1, const SparseMat& H2, int method );

用途 

• 利用直方图的方式进行批量的图片缺陷检测（方法简单）
• 图像相似度比较

        如果我们有两张图像，并且这两张图像的直方图一样，或者有极高的相似度，那么在一定程度上，我们可以认为这两幅图是一样的，这就是直方图比较的应用之一。

• 分析图像之间关系

        两张图像的直方图反映了该图像像素的分布情况，可以利用图像的直方图，来分析两张图像的关系。

步骤

a.加载图像

b.将图像从BGR空间转化为HSV空间

cvtColor()把图像从RGB色彩空间转换到HSV色彩空间

c.计算直方图并归一化处理，

计算图像的直方图，然后归一化到[0~1]之间，用到函数 calcHist() 和 normalize() ；

d.直方图比较

HISTCMP_CORREL 相关性比较 值越大，相关度越高，最大值为1，最小值为0

HISTCMP_CHISQR 卡方法 值为0最好，值越小，相关度越高，最大值无上界，最小值0

HISTCMP_INTERSECT 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）

HISTCMP_BHATTACHARYYA  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） 在直方图相似度计算时，巴氏距离获得的效果最好，但计算是最为复杂的。

HISTCMP_HELLINGER 

HISTCMP_CHISQR_ALT

该方法与巴氏距离法相同，常用于替代巴氏距离法用于纹理比较

HISTCMP_KL_DIV 

该方法名为相对熵法，又名Kullback-Leibler散度法，在该方法中如果两个图像直方图完全一致，则计算数值为0，两个图像的相似性越小，计算数值越大。

使用上述方法之一进行比较，用到函数compareHist()。

	std::array<char, 256> cwd;
	std::cout << "exe 路径: " << _getcwd(cwd.data(), (int)cwd.size()) << std::endl;
	size_t pos = (std::string(cwd.data())).find_last_of("\\");
	std::string path = std::string(cwd.data()).substr(0, pos) + "\\image";

	std::vector<std::string> paths;
	cv::glob(path, paths);

	cv::Mat src1 = cv::imread(paths[0], cv::IMREAD_COLOR);
	cv::Mat src2 = cv::imread(paths[1], cv::IMREAD_COLOR);

    //计算相似度
    if (src2.channels() == 1) 
    {
        //单通道时
        std::vector<cv::Mat>(src1);
        std::vector<int> channels{ 0 }; //单通道索引
        std::vector<int> histSizes{ 256 }; //直方图横轴大小
        std::vector<float>  ranges{ 0, 256 }; //统计范围 像素值

        cv::MatND hist1;
        cv::calcHist(std::vector<cv::Mat>(src1), channels, cv::Mat(), hist1, histSizes, ranges);
        cv::normalize(hist1, hist1, 0, 1, cv::NORM_MINMAX, -1, cv::Mat());

        cv::Mat hist2;
        cv::calcHist(std::vector<cv::Mat>(src2), channels, cv::Mat(), hist1, histSizes, ranges);
        cv::normalize(hist2, hist2, 0, 1, cv::NORM_MINMAX, -1, cv::Mat());

        double correl = cv::compareHist(hist1, hist2, cv::HISTCMP_CORREL);
        double chisqr = cv::compareHist(hist1, hist2, cv::HISTCMP_CHISQR);
        double intersect = cv::compareHist(hist1, hist2, cv::HISTCMP_INTERSECT);
        double bhattacharyya = cv::compareHist(hist1, hist2, cv::HISTCMP_BHATTACHARYYA);

        cout << "correl = " << correl << endl;
        cout << "chisqr = " << chisqr << endl;
        cout << "intersect = " << intersect << endl;
        cout << "bhattacharyya = " << bhattacharyya << endl;
    }
    else
    {
        //三通道时
        cv::cvtColor(src2, src1, cv::COLOR_BGR2HSV);
        cv::cvtColor(src1, src2, cv::COLOR_BGR2HSV);

        int h_bins = 50, s_bins = 60;
        int histSize[] = { h_bins, s_bins }; //柱状个数（横轴）
        float h_ranges[] = { 0, 180 };
        float s_ranges[] = { 0, 256 };//像素值 统计范围
        const float* ranges[] = { h_ranges, s_ranges };
        int channels[] = { 0, 1 };

        cv::MatND hist1;
        cv::calcHist(&src2, 1, channels, cv::Mat(), hist1, 2, histSize, ranges);
        cv::normalize(hist1, hist1, 0, 1, cv::NORM_MINMAX, -1, cv::Mat());
        //计算二维
        cv::MatND hist2;
        cv::calcHist(&src1, 1, channels, cv::Mat(), hist2, 2, histSize, ranges);
        cv::normalize(hist2, hist2, 0, 1, cv::NORM_MINMAX, -1, cv::Mat());

        //只比较二维
        double correl = cv::compareHist(hist1, hist2, cv::HISTCMP_CORREL); 
        double chisqr = cv::compareHist(hist1, hist2, cv::HISTCMP_CHISQR);
        double intersect = cv::compareHist(hist1, hist2, cv::HISTCMP_INTERSECT);
        double bhattacharyya = cv::compareHist(hist1, hist2, cv::HISTCMP_BHATTACHARYYA);

        cout << "3 channels correl = " << correl << endl;
        cout << "3 channels chisqr = " << chisqr << endl;
        cout << "3 channels intersect = " << intersect << endl;
        cout << "3 channels bhattacharyya = " << bhattacharyya << endl;
    }