In diesem Tutorial erfahren Sie, wie Sie Bildhistogramme mit OpenCV und dem

cv2.calcHistfunktion.

Histogramme sind in fast jedem Aspekt der Computer Vision weit verbreitet.

Wir verwenden Graustufenhistogramme für die Schwellenwertbildung. Wir verwenden Histogramme für den Weißabgleich. Für die Objektverfolgung in Bildern verwenden wir Farbhistogramme, beispielsweise mit dem CamShift-Algorithmus.

Wir verwenden Farbhistogramme als Funktionen – schließen Sie Farbhistogramme in mehreren Dimensionen ein.

Private Twitter-Fotos anzeigen

Und im abstrakten Sinne verwenden wir Histogramme von Bildverläufen, um die HOG- und SIFT-Deskriptoren zu bilden.

Sogar die äußerst beliebte Darstellung von visuellen Wörtern, die in Bildsuchmaschinen und beim maschinellen Lernen verwendet wird, ist ebenfalls ein Histogramm!

Und ich bin mir sicher, dass dies nicht das erste Mal ist, dass Sie in Ihrem Studium auf Histogramme stoßen.

Warum sind Histogramme so nützlich?

Denn Histogramme erfassen die Häufigkeitsverteilung eines Datensatzes. Und es stellt sich heraus, dass die Untersuchung dieser Häufigkeitsverteilungen eine sehr gute Möglichkeit ist, einfache Bildverarbeitungstechniken zu entwickeln … zusammen mit sehr leistungsfähigen Algorithmen für maschinelles Lernen.

In diesem Blogbeitrag erhalten Sie eine Einführung in Bildhistogramme, einschließlich der Berechnung von Graustufen- und Farbhistogrammen. In zukünftigen Blogbeiträgen werde ich fortgeschrittenere Histogrammtechniken behandeln.

www.pyimagesearch.com

OpenCV-Bildhistogramme ( cv2.calcHist )

In diesem Tutorial erfahren Sie, wie Sie Bildhistogramme mit OpenCV und der Funktion cv2.calcHist berechnen - Histogramme sind in fast allen Aspekten der Computer Vision weit verbreitet.

Support-Vektor-Maschinen-Tensorflow