使用 C++/OpenCV 图像直方图比较两个图片相似度

使用 C++/OpenCV 进行图像直方图比较

本文介绍如何利用 C++ 和 OpenCV 库计算图像的颜色直方图，并使用不同的方法比较两张图片的相似度。直方图比较是图像检索、目标识别等领域中一种简单而有效的技术。

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

cpp 复制代码

#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。

bash 复制代码

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 复制代码

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：

bash 复制代码

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。

总结与扩展

直方图比较提供了一种快速评估图像颜色分布相似性的方法。虽然它不考虑空间信息（即像素在哪里），但在许多场景下仍然非常有用。

可扩展的方向包括：

不同颜色空间: 尝试在 BGR 或 Lab 等其他颜色空间计算直方图。
一维直方图: 可以为每个颜色通道分别计算一维直方图，然后组合比较结果。
加权直方图: 在计算直方图时，可以根据像素位置或其他特征给予不同的权重。
结合其他特征: 将直方图特征与其他图像特征（如纹理、形状）结合起来，以获得更鲁棒的图像比较。
自适应 bin 数量: 根据图像内容动态调整直方图的 bin 数量。

希望本文能帮助你理解并使用 OpenCV 进行图像直方图比较！