對普通人而言，識別任意兩張圖片是否相似是件很容易的事兒。但是從計算機的角度來識別的話，需要先識別出影像的特徵，然後才能進行比對。在影像識別中，顏色特徵是最為常見的。每張影像都可以轉化成顏色分佈直方圖，如果兩張圖片的直方圖很接近，就可以認為它們很相似。這有點類似於判斷文字的相似程度。

影像比較

先來比對兩張圖片，一張是原圖另一張是經過直方圖均衡化之後的圖片。

二者的相關性因子是-0.056，這說明兩張圖的相似度很低。在上一篇文章 影像直方圖與直方圖均衡化 中，已經解釋過什麼是直方圖均衡化。通過直方圖均衡化後，兩張圖片確實是不同的，可以從下圖看出。

我們來看看如何使用直方圖比較。

final Bitmap bitmap = BitmapFactory.decodeResource(res, R.drawable.test_hist);
        image0.setImageBitmap(bitmap);

        CV4JImage cv4jImage = new CV4JImage(bitmap);
        ImageProcessor imageProcessor = cv4jImage.convert2Gray().getProcessor();

        int[][] source = null;
        int[][] target = null;

        CalcHistogram calcHistogram = new CalcHistogram();
        int bins = 180;
        source = new int[imageProcessor.getChannels()][bins];
        calcHistogram.calcHSVHist(imageProcessor,bins,source,true);

        if (imageProcessor instanceof ByteProcessor) {
            EqualHist equalHist = new EqualHist();
            equalHist.equalize((ByteProcessor) imageProcessor);
            image1.setImageBitmap(cv4jImage.getProcessor().getImage().toBitmap());

            target = new int[imageProcessor.getChannels()][bins];
            calcHistogram.calcHSVHist(imageProcessor,bins,target,true);
        }

        CompareHist compareHist = new CompareHist();
        StringBuilder sb = new StringBuilder();
        sb.append("巴氏距離:").append(compareHist.bhattacharyya(source[0],target[0])).append("
")
                .append("協方差:").append(compareHist.covariance(source[0],target[0])).append("
")
                .append("相關性因子:").append(compareHist.ncc(source[0],target[0]));

        result.setText(sb.toString());複製程式碼

其中，CompareHist 這個類是用於直方圖比較的類。

然後，再來比較兩張完全一致的圖片，可以看到他們的相關性因子是1.0，表示兩者完全一致。

最後，來比對兩張完全不同的圖片，可以看到它們的相關性因子是0.037，表面二者幾乎沒有什麼相似之處。

直方圖比較是識別影像相似度的演算法之一，也是最簡單的演算法。當然，還有很多其他的演算法啦。

直方圖反向投影

所謂反向投影就是首先計算某一特徵的直方圖模型，然後使用模型去尋找影像中存在的該特徵。

其中，b(xi)表示在位置xi上畫素對應的直方圖第b(xi)個bin，直方圖共m個bin，qu表示第u個bin的值。

下圖是皇馬的拉莫斯在2017年歐冠決賽時的圖片。直方圖反向投影可以根據球員球衣中的某一塊區域，來查詢圖片中拉莫斯所穿的球衣。

上圖是不是很酷炫？來看看是怎樣使用反向投影的，需要先計算出樣本的直方圖，然後使用模型去尋找原圖中存在的該特徵。反向投影的結果包含了:以每個輸入影像畫素點為起點的直方圖對比結果。在這裡是一個單通道的浮點型影像。

 Resources res = getResources();
        Bitmap bitmap1 = BitmapFactory.decodeResource(res, R.drawable.test_project_target);
        targetImage.setImageBitmap(bitmap1);

        Bitmap bitmap2 = BitmapFactory.decodeResource(res, R.drawable.test_project_sample);
        sampleImage.setImageBitmap(bitmap2);

        CV4JImage cv4jImage = new CV4JImage(bitmap1);
        ColorProcessor colorProcessor = (ColorProcessor)cv4jImage.getProcessor();

        BackProjectHist backProjectHist = new BackProjectHist();

        int w = colorProcessor.getWidth();
        int h = colorProcessor.getHeight();

        CV4JImage resultCV4JImage = new CV4JImage(w,h);
        ByteProcessor byteProcessor = (ByteProcessor)resultCV4JImage.getProcessor();

         // sample
        CV4JImage sample = new CV4JImage(bitmap2);
        ColorProcessor sampleProcessor = (ColorProcessor)sample.getProcessor();
        CalcHistogram calcHistogram = new CalcHistogram();
        int bins = 32;
        int[][] hist = new int[sampleProcessor.getChannels()][bins];
        calcHistogram.calcHSVHist(sampleProcessor,bins,hist,true);

        byte[][] source = new byte[][]{colorProcessor.getRed(),colorProcessor.getGreen(),colorProcessor.getBlue()};
        byte[][] target = new byte[3][w*h];

        Tools.rgb2hsv(source,target);
        ByteProcessor hsvByteProcessor = new ByteProcessor(target[0],w,h);
        backProjectHist.backProjection(hsvByteProcessor,byteProcessor,hist[0],new int[]{0,180});

        result.setImageBitmap(byteProcessor.getImage().toBitmap());複製程式碼

其中，BackProjectHist 這個類是用於直方圖反向投影的類。

總結

直方圖比較和直方圖反向投影的演算法都已經包含在cv4j中。
cv4j 是gloomyfish和我一起開發的影像處理庫，純java實現，目前還處於早期的版本。這次我們填完直方圖的坑以後，終於把它釋出到jcenter上了。

單獨下載cv4j

compile `com.cv4j:cv4j:0.1.0`複製程式碼

也可以下載rxcv4j，它是使用 RxJava2.x 進行的封裝，如果下載該模組的話無需再下載cv4j。

compile `com.cv4j:rxcv4j:0.1.0`複製程式碼

目前已經實現的功能：

下週我們開始做模板匹配的演算法。

如果您想看該系列先前的文章可以訪問下面的文集：
www.jianshu.com/nb/10401400