图片处理大型科普——图片直方图偶尔和浙大研究生院的湖大一姐聊轮廓识别，她在做可以把衣服分成不同风格的APP。 衣服是平的，然后用手机一扫，你马上就能告诉我这是T-SHIRT还是裙子，是什么吗？ 你敢说这是鸡肋吗？ T-SHIRT和裙子当然很容易分开，但它们
莲裙、连衣裙、连衣裙、半身裙、背带裙、连衣裙、热裤、短裤、超短裙、齐x裤、打底裤、靴裤、吊带裤真的分得开吗？
不懂的人先去旁边惩罚歌曲
继续说，前辈可能是说，先灰度，再获取高频成分，根据高频成分进行二值化，获取轮廓点集，通过直方图与数据库预设的模型数据进行相似度匹配，最后匹配度高是结果
喂，直方图一致吗？
话刚说完，前辈就向我挥动了英语论文。 “一起看看吧。 ”(指向论文的链接摇着这个： Shape-context.pdf )
在度娘、谷神、有道哥的帮助下，我大致了解了文章的含义，对直方图这个概念有了更深的认识
对于刚接触matlab图像处理的人来说，一提到直方图就想到用imhist ()制作图像的直方图
或者，histeq ) )来平衡直方图，以提高图像的对比度或消除图像中的白噪声。 (以前也是去除雾霾白噪声的MATLAB图像处理) 1分钟去除图像的雾霾) )。
matlab的直方图有很多现成的东西，但请不要将直方图的定义局限于这些函数。 难道人的WordExcel的直方图不是直方图吗？
联想到各种报告、复印件的直方图。 我想我们之所以使用直方图，主要是因为想要分类统计的功能。
关于图像处理中的直方图，分类统计像素是最常用的方式
因此得到灰度值直方图：
关于这张图，也有很多可以使用的地方
例如，可以利用图像细长的峰值来确定图像的主要信息集中在哪个灰度上。
利用图像两个峰值之间的面积判断背景色位于哪个灰度，
虽然也可以在山谷中判断噪声的灰度，
利用该图的灰度，有望给出理想的二值化边界值。
手绘(最近迷上了painter手绘。 中确定图片中的主色调、背景色、高光对应的颜色范围，大幅减少配色难度。
如果将该直方图量化为size=256的[gray_value，count_num]格式的矩阵，则可以认为是此图像特有的指纹、256维的向量。 无论这个图像旋转多少角度，这个矢量都不会改变。 是的，终于回来了。 任何图像都可以对应这样的图像。关于矢量，不管他是什么维度，都是直线，两条直线的相似度不是直线所成的角度吗？ (这里不贴公式。 考虑的人请自己调查一下百度“n维向量所成的角度”。 (哈哈，这不是完美地解决了图像旋转前后的匹配问题吗？ ) ~
要做严密的事情，一开始我还以为这是直方图匹配方式，仔细想想，是256维的矢量角度。 该计算量、该精度必须受到环境光源的影响，即使将这种严格的匹配环境用于识别衣服的设计，也几乎没有回报
回到前文的论文，因为对直方图的认识太浅太窄，我们总是绕着灰度值的直方图，用统计思想接触概率。 但是，直方图不仅可以进行统计，还可以进行分类。 不仅是灰度值的直方图，其他的什么直方图也可以。
前方高能，集中注意
这里特别提到的是用于对轮廓点集进行分类的直方图。
A和B是两幅图的轮廓点集，C是坐标系，用圆心距离和正北角度两个指标将一个圆分成60个块，将角度分成12种区域，将距离分成5种区域(12*5=60 )，遍历点集的各点将其他点分为60个区域，成为一个size=60的现在，各点对应着关于其他点的直方图。 如D、e、f三张图所示，是60个小方块，点数越多颜色越深。
最后，比较a、b两点之间的相似度，对应一致度最高的点，最终如图g所示，不管图像的旋转、缩放、光源角度的强弱，都不会对结果产生有效的影响，最大限度地保证了匹配的精度。
这是一个很好的例子，展示了直方图分类上的特殊能力。 在之后的应用中，我认为通过建立分类指标，还可以将抽象的数据用直方图大致分类，进行简单的统计运算，使分类统计在直方图图像处理领域的作用最大化。
希望大家通过这篇博文可以对身边的事物有更多奇葩的使用想法和理解方式，老是用别人的东西也没意思噻，反正这老外的思维我是服了
太棒了~~