目录
1.模板匹配
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里有6种，然后将1每次计算的结果放入一个矩阵李，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的1矩阵是(A-a+1)x(B-b+1).
方法：（一般建议使用归一化的后三种方法）
- 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。
代码演示：
导入一张原图和一张模板图：
import cv2 # opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt
#模板匹配
img = cv2.imread('image/lena.jpg', 0)
template = cv2.imread('image/lenaa.jpg', 0)
h,w = template.shape[:2]分别打印它们的大小：
img.shape()
template.shape()
res = cv2.matchTemplate(img, template, 1)
res.shape(263,263)
(126, 108)
(138, 156)
这样就很好印证了输出结果的大小。
六种方法的演示：
import cv2
import matplotlib.pyplot as plt
# 读取图像
img = cv2.imread('image/lena.jpg', 0)
template = cv2.imread('image/lenaa.jpg', 0)
# 模板的高度和宽度
h, w = template.shape[:2]
# 匹配方法列表
methods = [cv2.TM_SQDIFF, cv2.TM_CCORR, cv2.TM_CCOEFF, cv2.TM_SQDIFF_NORMED,
cv2.TM_CCORR_NORMED, cv2.TM_CCOEFF_NORMED]
method_names = ['TM_SQDIFF', 'TM_CCORR', 'TM_CCOEFF', 'TM_SQDIFF_NORMED',
'TM_CCORR_NORMED', 'TM_CCOEFF_NORMED']
for meth, meth_name in zip(methods, method_names):
img2 = img.copy() # 拷贝一张原图像
# 匹配
res = cv2.matchTemplate(img2, template, meth)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 如果是平方差匹配或归一化平方差匹配，取最小值
if meth in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
# 画矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)
# 显示结果
plt.subplot(121), plt.imshow(res, cmap='gray')
plt.xticks([]), plt.yticks([]) # 隐藏坐标轴
plt.subplot(122), plt.imshow(img2, cmap='gray')
plt.xticks([]), plt.yticks([])
plt.suptitle(meth_name)
plt.show()
从上面六张图片中可以看到TM_CCORR效果是最差的。
2.傅里叶变换
想要深入了解傅里叶变换的，可以看如果看了此文你还不懂傅里叶变换，那就过来掐死我吧 - 知乎 (zhihu.com)
傅里叶变换的作用：
- 高频：变化剧烈的灰度分量
- 低频：变化缓慢的灰度分量
滤波
- 低通滤波器：只保留低频，会使得图像模糊
- 高通滤波器：只保留高频，会使得图像细节增强
代码演示过程：
opencv中主要就是cv2.dft()和cv2.idft(),输入图像需要先转换成np.float32格式，得到的结果中频率为0的部分会在左上角， 通常要转换到中心位置，通过shift变换。
显示幅度谱：
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image/lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 计算幅度谱
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
低通滤波处理后的图像：
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image/lena.jpg',0)
img_float32 = np.float32(img)
# 计算傅里叶变换
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
# cv2.DFT_COMPLEX_OUTPUT 表示输出为复数。
dft_shift = np.fft.fftshift(dft) # 将零频率分量移到频谱的中心。
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift) #中心再移会原始位置
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show() 
通过这种处理，可以看到低通滤波对图像的平滑效果，去除高频噪声和细节。
高通滤波处理后的图像：
img = cv2.imread('image/lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show() 
通过这种处理，可以看到高通滤波对图像的效果，通常高通滤波器会增强图像中的细节和边缘，去除图像的平滑区域。
标签：plt,img,dft,cv2,学习,OpenCV,TM,np,过程 From： https://blog.csdn.net/yhyh_yhyh/article/details/141017420