直方图

图像增强 图像增强的目的是：改善图像的视觉效果或使图像更适合于人或机器的分析处理 \[ 图像增强 \begin{cases} 空域法 \begin{cases} 点操作 \begin{cases} 直接灰度变换\\ 直方图修正 \end{cases}\\ 邻域操作 \begin{cases} 图像平滑\\ 图像锐化 \end{cases} \end{cases}\\ 频域法 \begin{cases} 低通滤波\\ 高通滤波 \end{cases} \end{cases} \] 点操作 直接灰度变换 \(g(x,y)=T[f(x,y)]\) \(T\) => 灰度映射函数 坐标位置 \((x,y)\) 为 \(f\) 的自变量，表示当前灰度值，经过函数 \(T\) 转变为 \(g\) ， 注意在T函数中 \(f(x,y)\) 为其自变量 直接灰度变换又可以分为： 线性变换 分段线性变换 非线性变换 线性变换 & 分段线性变换 对于 \(f(x,y)\) 灰度范围为 \([a,b]\) 的部分，进行线性变换 \[g(x,y) = {d-c\over b-a}[f(x,y)-a]+c\] 我们可以用它来做什么？ 举个简单的例子，我们可以很容易的通过调整灰度分布，使得图片白的部分更白，黑的部分更黑 void increase(Mat &inputImage, Mat&

一 .Oracle 中直方图的作用 直方图是一种对被管理对象某一方面质量进行管理的描述工具，那么在Oracle中自然它也是对Oracle中某个对象质量的描述工具，这个对象就是Oracle中最重要的东西——“数据”。 在Oracle中直方图是一种对数据分布质量情况进行描述的工具。它会按照某一列不同值出现数量多少，以及出现的频率高低来绘制数据的分布情况，以便能够指导优化器根据数据的分布做出正确的选择。在某些情况下，表的列中的数值分布将会影响优化器使用索引还是执行全表扫描的决策。当 where 子句的值具有不成比例数量的数值时，将出现这种情况，使得全表扫描比索引访问的成本更低。这种情况下如果where 子句的过滤谓词列之上上有一个合理的正确的直方图，将会对优化器做出正确的选择发挥巨大的作用，使得SQL语句执行成本最低从而提升性能。 二 .Oracle 中使用直方图的场合 在分析表或索引时，直方图用于记录数据的分布。通过获得该信息，基于成本的优 化器就可以决定使用将返回少量行的索引，而避免使用基于限制条件返回许多行的索引。直方图的使用不受索引的限制，可以在表的任何列上构建直方图。 构造直方图最主要的原因就是帮助优化器在表中数据严重偏斜时做出更好的规划：例如，如果一到两个值构成了表中的大部分数据(数据偏斜)，相关的索引就可能无法帮助减少满足查询所需的I/O数量

1 前备知识 图像直方图比较，就是比较两幅图像的直方图数据，比较两组数据的相似性，从而得到两幅图像之间的相似程度，直方图比较在早期的CBIR(基于内容的图像检索 Content-based image retrieval) 是较常应用的技术手段，通常结合边缘处理、词袋模型等技术一起使用。 词袋模型 （ 英语： Bag-of-words model ）是个在自然语言处理和信息检索(IR)下被简化的表达模型。此模型下，一段文本（比如一个句子或是一个文档）可以用一个装着这些词的袋子来表示，这种表示方式不考虑文法以及词的顺序。最近词袋模型也被应用在计算机视觉领域。 词袋模型被广泛应用在文件分类，词出现的频率可以用来当作训练分类器的特征。 2 所用到的主要OpenCv API CV_EXPORTS void calcHist( const Mat* images, int nimages, const int* channels, InputArray mask, OutputArray hist, int dims, const int* histSize, const float** ranges, bool uniform = true, bool accumulate = false ); /** @brief Calculates a histogram of a set of

1 前备知识 null 2 所用到的主要OpenCv API skip 3 程序代码 #include <opencv2\opencv.hpp> #include <iostream> using namespace cv; using namespace std; const int bins = 256; Mat src; const char* winTitle = "input image"; void showHistogram(); void drawHistogram(Mat &image); int main(int argc, char** argv) { src = imread("G:\\CVworkstudy\\program_wwx\\Research society140\\ZhaiZhigang140\\colormap.png"); if (src.empty()) { printf("Could not load image..\n"); return 0; } namedWindow(winTitle, WINDOW_AUTOSIZE); imshow(winTitle, src); drawHistogram(src); waitKey(0); return 0; } void drawHistogram(Mat &image) { /

气泡图： 词云图：词云图是在气泡图的基础上绘制的，将气泡图左边标记下面的圆改为文本即可。词云图中，汉字字体越大，说明数据越大。 直方图：数据分布情况 *****做直方图前必须创建数据桶，新建数据桶：将度量的某字段右键，新建数据桶。建好的数据桶默认在维度里面，数据桶必须在列位置（横坐标） 来源： https://www.cnblogs.com/zxw2016208120/p/11363331.html

#直方图反向投影 ''' 反向投影可以通过颜色直方图来理解，我们检测图像中某个像素点的颜色是否位于直方图中，如果位于则将颜色加亮， 通过对图像的检测，得出结果图像，结果图像一定和直方图像匹配。那么对于图像颜色的取样点越多，越能更好的找出目标图形。 这里直方图的作用在于提供一个比较标准（也就是模版），即对于要检测的图像来说，需要给它提供一个模版，用于识别出和模版 相应的特征。 ''' import cv2 as cv import numpy as np import matplotlib as mpl mpl.use('TkAgg') from matplotlib import pyplot as plt def backProjectionDemo(): sample=cv.imread("E:\OpenCVTests\QQ20190813185411.png")#读取样本与目标图像，并将其转换为HSV色彩模式 target=cv.imread("E:\OpenCVTests\IMG_4686.JPG") spHSV=cv.cvtColor(sample,cv.COLOR_BGR2HSV) tarHSV=cv.cvtColor(target,cv.COLOR_BGR2HSV) cv.imshow("sample",sample) cv.imshow("target",

如何证明自己的专业性？特别是对于我们初入HR数据分析的宝宝们，这种凹造型的装逼还是有的！ #我们为什么要看平均数 平均数可能是我们接触得最早的一个统计量了，小学生都知道如何算平均数。可是大家还记得我们看平均数是为了看什么吗？ 想不起来的小伙伴不要慌张，我们一起来复习一下：平均数是数据的 集中趋势 的一种度量方法，用来表明资料中各观测值 相对集中较多 的中心位置。 此处画重点了，相对集中较多，我们平时计算平均数的公式真的能代表相对集中较多的位置吗？显然不能。平均收入就是一个很好的例子。 2018年我国人均国民总收入达到9732美元，高于中等收入国家平均水平，计算发现，这约合人均年收入近67000元人民币，相当于月入5600元左右。拖后腿了？被平均了？别着急下结论，首先人均国民总收入和人均可支配收入不是一个概念，其次，收入这种问题单看平均数一个指标是不够全面的。 为了解释这个问题，我们需要了解一个概念——频率分布。 #正态分布？那是啥玩意 我们先看一下频率分布的概念： 频率分布，是指在统计分组的基础上，将总体中各单位按组归类整理，按一定顺序排列，形成的总体中各单位在各组间的分布。其实质是，在各组按顺序排列的基础上，列出每个组的总体单位数，形成一个数列，称次数分布数列，简称分配数列，各组的总体单位数叫次数或频数。一般用次数分布表和次数分布图来表示。 ——百度百科 官方的概念定义固然严谨

官网教程 原理 反向投影表示的是一种（给定的一幅图的直方图）和（需要匹配的图的像素）匹配程度。 举例：如果已知一副图像的直方图，图中有特征区域， 根据此直方图能在其他图像中检测到相似的特征区域 步骤： 先对特征图片计算它的直方图（可能是多维） 遍历匹配图像，找到每一个像素点对应特征图的直方图中的bin 将此bin中的值保存到新图像（最后的back projection） 代码 官网代码 # include <opencv2/opencv.hpp> # include <iostream> using namespace cv ; using namespace std ; Mat hue ; int bins = 25 ; void Hist_and_Backprj ( int , void * ) ; int main ( void ) { Mat src = imread ( "../res/hand.jpg" ) ; if ( src . empty ( ) ) { cout << "can't load the image" << endl ; } Mat hsv ; cvtColor ( src , hsv , cv : : COLOR_BGR2HSV ) ; hue . create ( src . size ( ) , src . depth ( ) ) ; int

反向投影 反向投影是反映直方图模型在目标图像中的分布情况(此直方图模型是由目标图像计算生成的) 简单点说就是用直方图模型去目标图像中寻找是否有相似的对象。通常用HSV色彩空间的HS两个通道直方图模型 反向投影 – 步骤 建立直方图模型 计算待测图像直方图并映射到模型中 从模型反向计算生成图像 实现步骤与相关API 加载图片imread 将图像从RGB色彩空间转换到HSV色彩空间cvtColor 计算直方图和归一化calcHist与normalize Mat与MatND其中Mat表示二维数组，MatND表示三维或者多维数据，此处均可以用Mat表示。 计算反向投影图像 - calcBackProject mixChannels()参数说明： mixChannels(//用于将输入数组的指定通道复制到输出数组的指定通道 const Mat* src, //输入数组或向量矩阵,所有矩阵的大小和深度必须相同。 size_t nsrcs, //矩阵的数量 Mat* dst, //输出数组或矩阵向量,大小和深度必须与src[0]相同 size_t ndsts,//矩阵的数量 const int* fromTo,//指定被复制通道与要复制到的位置组成的索引对 size_t npairs //fromTo中索引对的数目 ); void calcBackProject( const Mat*

单个定量变量的直方图表示 大家知道，定量变量是连续型变量，即不会像分类变量那样有明显的分类，那么如何将其画成直方图呢？一般来说，会将其按照某个维度来将其分组（group），举个例子。 我们有15个学生的考试成绩：88, 48, 60, 51, 57, 85, 69, 75, 97, 72, 71, 79, 65, 63, 73 如果要画成直方图，X轴是成绩，Y轴是对应的人数，那么X轴可以考虑按“每10分”作为一个group，即[0, 10), [10, 20), [20, 30), ... ,[80, 90), [90, 100)这样组织： 类似分类变量的柱状图，定量变量的直方图的Y轴，也可以将值（value）转换为百分比（percent） 直方图有几个重要的概念是需要掌握的，分别是：shape、center、spread、outliers shape shape指从直方图的整体形状来定性其分布特点，一般分为两个维度： 对称（Symmetry）/有偏（skewness） 有峰（ Peakedness） /平滑 (modality) 下面分别举几个例子： 上面的直方图，首先是对称的（即Y轴左右基本对称），其次是有峰的（x=10左右的位置有个单峰值），所以是“对称、单峰值分布” 上面的直方图，也是对称的，而且是有双峰的，所以是“对称、双峰值分布” 上面的直方图，没有明显的峰值，所以是