01
引言
本文将展示什么是图像的投影直方图，以及如何绘制这个投影直方图。举例，如果我们想识别一些字符，我们可以使用投影将特征提取到图像上。投影直方图是使用图像在既定方向上的投影的方法，例如，在垂直或水平方向上。这些投影意味着每列或每行中属于对象的像素数目。
02
投影直方图的作用
我们来看个简单的例子，如下图：
03
读入图像并灰度化
接着我们不妨来看个实际项目中的具体栗子吧！
import cv2import numpy as npimport matplotlib.pyplot as pltimport os# Load the imageimg = cv2.imread('display_image.png')# convert to grayscalegray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
结果如下：
04
二值化操作
接着我们对上图，执行中值滤波来去噪，然后执行膨胀腐蚀操作，样例代码如下：
# smooth the image to avoid noisesgray = cv2.medianBlur(gray,5)# Apply adaptive thresholdthresh = cv2.adaptiveThreshold(gray, 255, 1, 1, 11, 2)# apply some dilation and erosion to join the gapskernel = np.ones((5,5), np.uint8)thresh = cv2.dilate(thresh, kernel ,iterations = 2)thresh = cv2.erode(thresh, kernel, iterations = 2)
得到结果如下：
上图中上半部分为中值滤波后的图，下半部分为经二值化膨胀腐蚀后的图。
05
提取轮廓
# Find the contourscontours, hierarchy = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)# For each contour, find the bounding rectangle and draw itfor cnt in contours:x, y, w, h = cv2.boundingRect(cnt)if h > 10:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
06
计算直方图
最后，我们来计算往x轴方向上的投影，相应的样例代码如下：
# Width and heigth the imageheight, width = thresh.shape# Sum the value linesvertical_px = np.sum(thresh, axis=0)# Normalizenormalize = vertical_px/255# create a black image with zerosblankImage = np.zeros_like(thresh)# Make the vertical projection histogramfor idx, value in enumerate(normalize):cv2.line(blankImage, (idx, 0), (idx, height-int(value)), (255,255,255), 1)# Concatenate the imageimg_concate = cv2.vconcat([img, cv2.cvtColor(blankImage, cv2.COLOR_BGR2RGB)])cv2.imshow("out",img_concate)cv2.waitKey(0)
得到结果如下：
请注意，观察上图中重复的数字，如4和3，他们的垂直投影直方图，几乎是相同的！！
07
总结
本文为一篇简单的文章，为大家展示了如何简单制作投影直方图，以及如何绘制它。正如文中所述，我们可以为每个字符建立一个存储向量，进而并用它来进行字符分类。
您学废了吗？
点击上方小卡片关注我
万水千山总关情，点个在看行不行。