Result

我首先使用excel計算數據的中位數，因為光譜分布不均，也不是完美的鍾型分布，所以我並非取平均值來做測試，而是計算中位數，欲讓得出來的二值化的圖形能接近黑白各半，以便後須觀察變化，會後計算得值43。因此我先使用43繪製一張Histogram，再將值調小、調大以觀察結果的變化。如下圖可以發現數值越小畫面越白，數值越大整體畫面顏色越黑，但越能判斷出物件。

Result

這部分遇到最大的困難在於挑選照片，尤其是彩色照片比黑白照更不容易判斷亮度，為了讓效果容易觀察，我挑選了一張是有亮面和暗面，且整體偏暗，但像數點為正黑(0)正白(255)不多的照片。結果如下，可以發現經過Equalization後，整體顏色調亮，原本陰影面如牆角，視覺上變清晰更能判斷物件。

Result

效果雖然沒有一眼就辨認出來但仔細觀察，在右下角樹林的部分，經過Stretched後變得更黑，下半部的天空變白，天空和101比較比較，看起來更黑白分明。

Result

下圖結果是使用在灰階相片的效果，原本相片整體篇昏暗，image negative後，整體偏白，愈白變愈黑、愈黑則變愈白。

Purpose

以下欲實現簡易的偵測。操作概念是找到參考區的Histogram分布狀況，Histogram代表一張影像的特徵一樣，再依這個特徵找和參考區的Histogram相符的pixel，並標示出來，若將所有相似的pixel均標示出來，便可大致判斷出物件的形狀。

為方便操作並判斷結果是否正確，我選擇的照片是背景單調，且和物件顏色差很多，物件的部分則挑選同物件顏色變化不大，不同物件顏色則差異大。

以下為圖片來源:

pinterest

자연 및 풍경 스톡 사진과 Royalty Free 이미지 , pinterest

part 2

接下來要來找這張圖的Back projection(反投影)。依參考點所繪製出來的Histogram可以視為一個機率分布圖，接下來依照這著機率分布圖來重新標示圖片，機率越高的部分呈現越亮的顏色，機率越低的部分顏色越暗，最後再將整張圖作反白似負片效果。

Part 3

接著實現另一種搜尋物件的方法，和上一部份不同的部分是，使用機率表示完後，不作負片校過，而是使用threshold ，將影像分割成一塊一塊的區塊，製作二值化圖形。

Result

以下為模擬結果，兩張圖的綠色葉子的部分皆被標示出來，其餘部分皆呈現黑色。圖片由左至右分別為：操作在和參考區相同的照片上、第二張圖片、從第二張照片找出和參考區相同的物件。

我和前面一樣改變了不同的threshold ，操作在第一張圖上，並觀察中間的差異。 

第一張圖是未使用threshold() ，明顯看得出來畫面沒有很清楚，第二張圖加上threshold()後，物件被凸顯出來，但第三張圖，我將threshold()值調得很小，但沒有很大的差異，可以推論葉子的部分顏色很相近。

Part 5

欲使用上一部份選定的參考需區域，將之轉換成機率分布圖後，在重新改寫圖片。在處理彩色照片和灰階不同處在於，彩色很多種表示法如RGB 、HSV 、HLS、和 CIE Lab等，在PART 4 使用RGB 色彩空間來表示色彩，在PART 5 則會使用到將使用HSV 和 CIE Lab 兩種色彩空間來找出兩張照片和參考區域相似的部分，因此結果總共有四張圖：使用CIE Lab操作在image 1 、使用CIE Lab操作在image 2、使用HSV操作在image 1、使用HSV操作在image 2。

接著，就可以依照機率表來繪製圖形了，處理每張圖的步驟相同，和前面處理以BGM色彩空間表示的照片不同的地方是使用  

cv::cvtColor(color, lab, cv::COLOR_BGR2Lab);   // RGB轉換成CIE Lab

cv::cvtColor(color, hsv, cv::COLOR_BGR2HSV);  //RGB轉換成HSV

將照片從RGB轉換成以CIE Lab和HSV色相空間表示。

之後的步驟便和 PART 3 一樣，先使用cv::normalize() 進行標準化成總機率為1機率表，再使用 cv::calcBackProject() 依照剛製作好的機率表，重新繪製，機率越大的部分越白，機率越小的部分越黑，最後使用cv::threshold() 將圖片轉換成二值化圖形。 

Result

結果如下，和處理灰階時的結果比較，均使用 finder.setThreshold(0.05f);  為相同的參數值，但圖片看起來卻呈現一格一格的，左圖使用的照片和PART 4 相同，呈現出來特徵點沒有PART 4 的模擬結果多。我認為是在從RGB轉換成以CIE Lab、HSV色相空間表示時，有先顏色被縮減過，在依機率表繪製圖片時，鄰近的pixel值會被標示成一樣的數值。結果呈現的沒有PART4 一樣漂亮，但仍可以看的出來大致的形狀，黑色區域為機率小的，所以是和參考區無關的部分，相反的白色是機率高的，顏色和參考區相似的部分。

Result

以下為模擬結果，當我將min Saturation調高時白色部分會變少，調整至 int minSat = 80;時 手上的物件也能辨認出形狀。數值調低時，指有人行的輪廓，像剪影一樣，便認不出來手上的花和臉型。

Part 3

接下來是本節最重要的部分，將使用PART 1 所得出的參考區域、參考區域機率表等來辨認在第二張圖相同的人臉。

首先，我選擇image 1 當作參考圖片。

接著將欲相互比較的兩張圖分別使用cv::calcHist()計算Histogram，一格一格的刻度相互比較取最小值後輸出，並將結果顯示於螢幕上。

重要程式碼如下:

double compare(const cv::Mat& image) {

inputH= hist.getHistogram(image);

return cv::compareHist(refH,inputH,cv::HISTCMP_INTERSECT);}

除了取最小值以外，cv::compareHist還有很多資料型態，我多嘗試兩種如下：

Result

以下為實驗結果，左圖是使用二值化cv::threshold(image, binaryFixed, 70, 255, cv::THRESH_BINARY);將70以上橡樹點改為255低於70的改為0。兩張圖相互比較，可以發現因為光源是在左上方，所以在曝光的地方顯示不出來，但右圖呈現完整的整隻動物的形狀，連毛的線條也很清楚。

接下來我嘗試改變參數觀察在不同參數下的變化。

改變不同的區域範圍，由小到大，可以發現區域範圍越小(如左圖)，呈現的相片的線條越細，細節也越多，畫面看起來較雜亂，若數值越大(如右圖)，線條越粗，呈現較少的細節。

改變不同的常數，減去的常數越小，畫面中越多細節，減去越大的成數畫面細節越少。

Part 2

接下來，要來繪製參考區域的Histogram和前面不同的是，這裡繪製的Histogram只有16格刻度，作者提供了兩種做法，第一種作法和前面相似使用cv::calcHist()來計算，第二種將參考區域轉換成binary image，概念是若integral image內的值只0和1(binary image)，那pixel值的總和就會等於pixel的數量。

Part 3

因為物體是呈現水平移動，所以將水平範圍內分為一區一區和參考區域的Histogram比效較相關性，找出和參考區域最像似的部分。

Result

以下為執行結果，白色線是待測試範圍，黑色框線是為最計算後的最佳位置。底下圖表為距離和相關性的摺線圖，因為圖形不斷重複，所以我擷取一部份分析，範圍為distance(0, 266)~distance(480, 266)，峰值位於中間偏左，觀察相片中的參考物件也位於中間偏左的位置，確認結果與圖片相符。

本次作業最難的部分是在挑選照片，想要挑選到一張照片使結果符合預期，需先完全理解程式碼的運行方式。舉例來說，在第一個主題Histogram裡要使用Equalization將照片光線不足或過曝的狀況挑整成理想的亮度，我一開始挑的照片是有過多的pixel值很低，就算Equalization後Histogram也不會形成完美的鐘形分布，相片調整完的差異不明顯，之後上網看別人如何實作這個主題，統整他們選的照片的共通點，最後挑選了一張是有亮面和暗面，整體偏暗但沒有過多的pixel值為0(黑色)，最終效果便很理想。還有挑選照片另一個困難點是，照片大多是彩色照片，但操作幾乎都是在灰階上操作，有時候物件和背景顏色差異很大，但轉灰階後顏色會很接近，在做物件偵測時，常會選到背景，或框線位置不精準，最後我選擇的照片多為背景單調的圖。