文章目录
- 1、图像轮廓
- 1.1 findContours函数：
- 1.2 获取轮廓信息（可能会报错原因）
- 1.3 绘制轮廓：
- 1.4 轮廓特征：
- 1.5 轮廓近似：
- 1.6 边界矩形
- 2、模板匹配
- 3、图像金字塔
- 3.1 高斯金字塔
- 3.2 拉普拉斯金字塔
1、图像轮廓
1.1 findContours函数：
cv.findContours(img,mode,method)
mode：轮廓检索模式
- RETR_EXTERNAL：只检索最外面轮廓
- RETR_LIST：检索所有轮廓，并将其保存到一条链表当中
- RETR_CCOMP：检索所有轮廓，并将它们组织为两层；顶层是各部分的外部边界，第二层是空洞的边界
- RETR_TREE：检索所有轮廓，并重构嵌套轮廓层次（常用）
method：轮廓逼近方法
- CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点序列）
- CHAIN_APPROX_SIMPLE：压缩水平的、垂直的和斜的部分，也就是函数保留它们终点部分
为了更高的准确率，使用二值图像
image=cv.imread("E:\\Pec\\lan.jpg")
#转化为灰度图
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
#转化为二值图
ret,thresh=cv.threshold(gray,127,255,cv.THRESH_BINARY)
#返回值一：计算好或者设定好的阈值
#返回值二：处理好的图像
1.2 获取轮廓信息（可能会报错原因）
#binary,contours,hierarchy=cv.findContours(,,)
#因为OpenCV库的更新，会报错“not enough values to unpack (expected 3, got 2)”
#把返回值从三个改成两个即可（删除第一个返回值）
contours,hierarchy=cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)
#返回值一：轮廓信息
#返回值二：层级
1.3 绘制轮廓：
#绘制图像轮廓函数drawContours():图像、轮廓信息、轮廓索引(需要多少轮廓，-1默认全部)、颜色模式、线条厚度
draw_img=image.copy()
res=cv.drawContours(draw_img,contours,-1,(0,255,0),2)
cv_show("res",res)
1.4 轮廓特征：
#轮廓特征
cnt=contours[0]#第0个轮廓
#面积
area=cv.contourArea(cnt)
print(area)
#周长,True表示闭合的轮廓图像
girth=cv.arcLength(cnt,True)
print(girth)
1.5 轮廓近似：
说明：曲线AB，假设C点是到直接AB最大的点，然后过C点做直线AB的垂直线d，若d点小于T（自己设置的阈值），直线AB可以取代曲线AB，若d大于T，不能取代，则同理在曲线CB取一点D，做D到直线CB的曲线，然后再比较阈值。。。。。
#轮廓近似
#二值图获取
img=cv.imread("E:\\Pec\\lunk.jpg")
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret,thresh=cv.threshold(gray,127,255,cv.THRESH_BINARY)
#获取轮廓
contours,hierarchy=cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)
cnt=contours[2]
draw_img=img.copy()
res=cv.drawContours(draw_img,contours,-1,(0,255,0),5)
cv_show("res",res)
#取近似
epsilon=0.15*cv.arcLength(cnt,True)#设置的比较阈值,一般是周长的百分比
#百分比越小，变化越不明显
approx=cv.approxPolyDP(cnt,epsilon,True)#做近似
draw_img=img.copy()
res=cv.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show("res",res)
1.6 边界矩形
img=cv.imread("E:\\Pec\\lunk.jpg")
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret,thresh=cv.threshold(gray,127,255,cv.THRESH_BINARY)
contours,hierarchy=cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)
cnt=contours[3]
x,y,w,h=cv.boundingRect(cnt)
image=cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show("image",image)
2、模板匹配
说明：模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv中有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。如原图形是AxB大小，而模板是axb大小，则输出结果是(A-a+1)x(B-b+1)
6种差别程度的计算方法：（尽量用归一化）
- TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
- TM_CCORR：计算相关性，计算出来的值越大，越相关
- TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
- TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
- TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
- TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关
#模板匹配
img=cv.imread("E:\\Pec\\lida.jpg",0)
template=cv.imread("E:\\Pec\\face.jpg",0)
#cv_show("lida",img)
#cv_show("tem",template)
h,w=template.shape[:2]
print(img.shape)
print(template.shape)
methods=['cv.TM_CCOEFF','cv.TM_CCORR','cv.TM_CCOEFF','cv.TM_SQDIFF_NORMED'
,'cv.TM_CCORR_NORMED','cv.TM_CCOEFF_NORMED']
#进行模板匹配
res=cv.matchTemplate(img,template,3)
#第三个参数是一个数值，1对应上面的TM_CCOEFF,同理下面
print(res.shape)
min_val,max_val,min_loc,max_loc=cv.minMaxLoc(res)
print(min_val)#最小值
print(max_val)#最大值
print(min_loc)#最小值位置
print(max_loc)#最大值位置
for meth in methods:
img2=img.copy()
#匹配方法的真值
method=eval（meth)#eval函数是以字符串的形式运行代码，如a1,a2...分别赋予1，2..
print(method)
res=cv.matchTemplate(img,template,method)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
#如果是平方差匹配TM_SQDIFF或者归一化平方差匹配，取最小值
if method in [1,4]:
top_left=min_loc
else:
top_left=max_loc
bottom_right=(top_left[0]+w,top_left[1]+h)
#画矩形
cv.rectangle(img2,top_left,bottom_right,255,2)
#位置由三个整型数值构成：第一个代表行数，第二个代表列数，第三个代表索引位置。
#举例：plt.subplot(2, 3, 5) 和plt.subplot(235) 一样。
plt.subplot(121),plt.imshow(res)
plt.xticks([]),plt.yticks([])#隐藏坐标轴
plt.subplot(122),plt.imshow(img2)
plt.xticks([]), plt.yticks([]) # 隐藏坐标轴
plt.suptitle(meth)
plt.show()
(255, 255)
(146, 153)
(110, 103)
0.7732675671577454
0.9017052054405212
(8, 109)
(67, 35)
4
2
4
1
3
5
匹配多个对象：
python zip()函数：
zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。zip(*loc[::-1])
img_jb1=cv.imread("E:\\Pec\\jinbi1.jpg")
#cv_show("res",img_jb1)
img_jb2=cv.imread("E:\\Pec\\jinbi2.jpg")
#cv_show("res",img_jb2)
h,w=img_jb2.shape[:2]
res=cv.matchTemplate(img_jb1,img_jb2,cv.TM_CCOEFF_NORMED)
#取匹配度大于80%的坐标
threshold=0.7
loc=np.where(res>threshold)
for pt in zip(*loc[::-1]): #*表示可选参数
bootom_right=(pt[0]+w,pt[1]+h)
cv.rectangle(img_jb1,pt,bootom_right,(0,255,0),2)
cv_show("jb",img_jb1)
3、图像金字塔
- 高斯金字塔
- 拉普拉斯金字塔
3.1 高斯金字塔
（1）向下采样方法（缩小）
- 将Gi与高斯内核卷积
- 将所有偶数行和列去除，两边各缩小一半，面积缩小四分之一
down=cv.pyrDown(image)
#cv_show("down",down)
（2）向上采样方法（放大）
- 将图像在每个方向扩大到原来的两倍，新增的行和列以0填充
- 使用先前同样的内核(乘以4)与放大后的图像卷积，获取近似值
up=cv.pyrUp(image)
#cv_show("up",up)
3.2 拉普拉斯金字塔