高斯反向投影
在圖像處理中慢叨，我們通常需要設(shè)置感興趣的區(qū)域(ROI寺渗，region of interest)历涝，來(lái)簡(jiǎn)化我們的工作。也就是從圖像中選擇的一個(gè)圖像區(qū)域淀零，這個(gè)區(qū)域是我們圖像分析所關(guān)注的重點(diǎn)挽绩。
在上一篇文章圖像相似度比較和檢測(cè)圖像中的特定物中，我們使用直方圖反向投影的方式來(lái)獲取ROI驾中，在這里我們采用另一種方式高斯反向投影唉堪。它通過(guò)基于高斯的概率密度函數(shù)(PDF)進(jìn)行估算，反向投影得到對(duì)象區(qū)域肩民，該方法可以看成是最簡(jiǎn)單的圖像分割方法唠亚。
隨機(jī)變量X服從一個(gè)數(shù)學(xué)期望為μ、標(biāo)準(zhǔn)方差為σ2的高斯分布此改，記為：X～N(μ,σ2),
則其概率密度函數(shù)為
其中趾撵，正態(tài)分布的期望值μ決定了其位置，其標(biāo)準(zhǔn)差σ決定了分布的幅度共啃。
算法實(shí)現(xiàn)
- 輸入模型M占调，對(duì)M的每個(gè)像素點(diǎn)（R,G,B）計(jì)算SUM=R+G+B
r=R/SUM, g=G/SUM, b=B/SUM - 根據(jù)得到權(quán)重比例值，計(jì)算得到對(duì)應(yīng)的均值 與標(biāo)準(zhǔn)方差
- 對(duì)輸入圖像的每個(gè)像素點(diǎn)計(jì)算根據(jù)高斯公式計(jì)算P(r)與P(g)的乘積
- 歸一化之后輸出結(jié)果移剪，顯示基于高斯分布概率密度函數(shù)的反向投影圖像究珊。
GaussianBackProjection的算法實(shí)現(xiàn)：
import com.cv4j.core.datamodel.ByteProcessor;
import com.cv4j.core.datamodel.ImageProcessor;
import com.cv4j.exception.CV4JException;
import com.cv4j.image.util.Tools;
public class GaussianBackProjection {
public void backProjection(ImageProcessor src, ImageProcessor model, ByteProcessor dst) {
if(src.getChannels() == 1 || model.getChannels() == 1) {
throw new CV4JException("did not support image type : single-channel...");
}
float[] R = model.toFloat(0);
float[] G = model.toFloat(1);
int r = 0, g = 0, b = 0;
float sum = 0;
int mw = model.getWidth();
int mh = model.getHeight();
int index = 0;
for (int row = 0; row < mh; row++) {
for (int col = 0; col < mw; col++) {
index = row*mw + col;
b = model.toByte(2)[index]&0xff;
g = model.toByte(1)[index]&0xff;
r = model.toByte(0)[index]&0xff;
sum = b + g + r;
R[index] = r / sum;
G[index] = g / sum;
}
}
// 計(jì)算均值與標(biāo)準(zhǔn)方差
float[] rmdev = Tools.calcMeansAndDev(R);
float[] gmdev = Tools.calcMeansAndDev(G);
int width = src.getWidth();
int height = src.getHeight();
// 反向投影
float pr = 0, pg = 0;
float[] result = new float[width*height];
for (int row = 0; row < height; row++) {
for (int col = 0; col < width; col++) {
index = row*width + col;
b = src.toByte(2)[index]&0xff;
g = src.toByte(1)[index]&0xff;
r = src.toByte(0)[index]&0xff;
sum = b + g + r;
float red = r / sum;
float green = g / sum;
pr = (float)((1.0 / (rmdev[1]*Math.sqrt(2 * Math.PI)))*Math.exp(-(Math.pow((red - rmdev[0]), 2)) / (2 * Math.pow(rmdev[1], 2))));
pg = (float)((1.0 / (gmdev[1]*Math.sqrt(2 * Math.PI)))*Math.exp(-(Math.pow((green - gmdev[0]),2)) / (2 * Math.pow(gmdev[1], 2))));
sum = pr*pg;
if(Float.isNaN(sum)){
result[index] = 0;
continue;
}
result[index] = sum;
}
}
// 歸一化顯示高斯反向投影
float min = 1000;
float max = 0;
for(int i=0; i<result.length; i++) {
min = Math.min(min, result[i]);
max = Math.max(max, result[i]);
}
float delta = max - min;
for(int i=0; i<result.length; i++) {
dst.getGray()[i] = (byte)(((result[i] - min)/delta)*255);
}
}
}
GaussianBackProjection的具體使用
GaussianBackProjection gaussianBackProjection = new GaussianBackProjection();
gaussianBackProjection.backProjection(colorProcessor,sampleProcessor,byteProcessor);
result.setImageBitmap(byteProcessor.getImage().toBitmap());
其中，colorProcessor表示原圖的對(duì)象纵苛，sampleProcessor是選取區(qū)域的對(duì)象剿涮，byteProcessor表示反向投影結(jié)果。最終byteProcessor把結(jié)果展示到Android的ImageView上攻人。
總結(jié)
cv4j 是gloomyfish和我一起開(kāi)發(fā)的圖像處理庫(kù)取试，純java實(shí)現(xiàn)，目前的版本號(hào)是0.1.1
前段時(shí)間工作比較繁忙cv4j系列停更了一段時(shí)間怀吻，這次回來(lái)我們修復(fù)了一些bug瞬浓。
上一篇cv4j系列的文章講述了直方圖投影，這次的高斯反向投影是另外一種選擇蓬坡。其實(shí)猿棉，模版匹配也能在圖像中尋找到特定的目標(biāo)磅叛，接下來(lái)我們的cv4j也會(huì)開(kāi)發(fā)模版匹配的功能。
如果您想看該系列先前的文章可以訪問(wèn)下面的文集：
http://www.reibang.com/nb/10401400
