[英]Calculating the mean and standard deviation in C++ for single channeled histogram
我想計算 HSV 圖像直方圖的平均值和標准偏差,但我只想為 V 通道做這個直方圖和計算。
我一直在閱讀有關如何為一組通道執行此操作的示例,並嘗試了這些方法,但我對我最初創建直方圖的方法是否僅對一個通道正確感到困惑,因為程序在我嘗試時不斷崩潰執行它。
這是我目前所擁有的(變量 test 是一個 cv::Mat 圖像,這可以是您希望用來重現問題的任何圖像)。 我可能遺漏了一些明顯的東西,並且 for 循環在值的范圍方面可能不正確,但我之前沒有在 C++ 中這樣做過。
cv::cvtColor(test, test, CV_BGR2HSV);
int v_bins = 50;
int histSize[] = { v_bins };
cv::MatND hist;
float v_ranges[] = { 0, 255};
cv::vector<cv::Mat> channel(3);
split(test, channel);
const float* ranges[] = { v_ranges };
int channels[] = {0};
cv::calcHist(&channel[2], 1, channels, cv::Mat(), hist, 1, histSize, ranges, true, false); //histogram calculation
float mean=0;
float rows= hist.size().height;
float cols = hist.size().width;
for (int v = 0; v < v_bins; v++)
{
std::cout << hist.at<float>(v, v) << std::endl;;
mean = mean + hist.at<float>(v);
}
mean = mean / (rows*cols);
std::cout << mean<< std::endl;;
您可以簡單地使用cv::meanStdDev ,它計算數組元素的均值和標准差。
請注意, mean
和stddev
參數都是cv::Scalar
,因此您需要執行mean[0]
和stddev[0]
來獲取單通道數組hist
的雙hist
。
此代碼將闡明它的用法:
#include <opencv2\opencv.hpp>
#include <iostream>
int main()
{
cv::Mat test = cv::imread("path_to_image");
cv::cvtColor(test, test, CV_BGR2HSV);
int v_bins = 50;
int histSize[] = { v_bins };
cv::MatND hist;
float v_ranges[] = { 0, 255 };
cv::vector<cv::Mat> channel(3);
split(test, channel);
const float* ranges[] = { v_ranges };
int channels[] = { 0 };
cv::calcHist(&channel[2], 1, channels, cv::Mat(), hist, 1, histSize, ranges, true, false); //histogram calculation
cv::Scalar mean, stddev;
cv::meanStdDev(hist, mean, stddev);
std::cout << "Mean: " << mean[0] << " StdDev: " << stddev[0] << std::endl;
return 0;
}
更新
您可以根據它們的定義計算均值和標准差:
double dmean = 0.0;
double dstddev = 0.0;
// Mean standard algorithm
for (int i = 0; i < v_bins; ++i)
{
dmean += hist.at<float>(i);
}
dmean /= v_bins;
// Standard deviation standard algorithm
std::vector<double> var(v_bins);
for (int i = 0; i < v_bins; ++i)
{
var[i] = (dmean - hist.at<float>(i)) * (dmean - hist.at<float>(i));
}
for (int i = 0; i < v_bins; ++i)
{
dstddev += var[i];
}
dstddev = sqrt(dstddev / v_bins);
std::cout << "Mean: " << dmean << " StdDev: " << dstddev << std::endl;
並且您將獲得與 OpenCV meanStdDev
相同的值。
在直方圖上計算統計數據時要小心。 如果您只運行meanStdDev
,您將獲得 bin 值的均值和標准差。 這並沒有告訴你很多。
可能你想要的是均值和標准差強度。
因此,如果您想從直方圖(或一組直方圖)中導出圖像均值和標准差,則可以使用以下代碼:
// assume histogram is of type cv::Mat and comes from cv::calcHist
double s = 0;
double total_hist = 0;
for(int i=0; i < histogram.total(); ++i){
s += histogram.at<float>(i) * (i + 0.5); // bin centre
total_hist += histogram.at<float>(i);
}
double mean = s / total_hist;
double t = 0;
for(int i=0; i < histogram.total(); ++i){
double x = (i - mean);
t += histogram.at<float>(i)*x*x;
}
double stdev = std::sqrt(t / total_hist);
從均值的定義來看:
mean = sum(x * p(x)) // expectation
std = sqrt(sum( p(x)*(x - mean)**2 ) // sqrt(variance)
平均值是 x 的期望值。 所以histogram[x]/sum(histogram)
給你p(x)
。 標准差的定義類似,來自方差。 數字稍微簡單一些,因為像素只能取整數值並且是單位間隔的。
請注意,如果您想使用accumulate
選項計算一批圖像的歸一化統計數據,這也很有用。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.