python中opencv圖像金字塔輪廓及模板匹配是怎樣的

這篇文章給大家介紹python中opencv圖像金字塔輪廓及模板匹配是怎樣的，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

1.圖像金字塔

①高斯金字塔

向下采樣，數(shù)據(jù)會(huì)越來(lái)越少，減少的方式是：將偶數(shù)行和列刪除

向上采樣，數(shù)據(jù)會(huì)越來(lái)越多，將圖像在每個(gè)方向上擴(kuò)大為原來(lái)的兩倍，新增的行和列用0來(lái)填充。使用先前同樣的內(nèi)核與放大后的圖像卷積，獲得近似值。

上采樣之后，圖片會(huì)變大。

下采樣后，圖片會(huì)變小。

②拉普拉斯金字塔

對(duì)于原始圖像，先執(zhí)行下采樣，再執(zhí)行上采樣，并用原始圖像減去得到的采樣結(jié)果。

以上的計(jì)算方式為1層，第二層的計(jì)算，把第一層得到的結(jié)果作為原始圖像進(jìn)行計(jì)算。

2.圖像輪廓

cv.findContours(img,mode,method)

最常用的mode：

RETR_TREE，檢測(cè)所有的輪廓，并重構(gòu)嵌套輪廓的整個(gè)層次

最常用的method：

CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形（頂點(diǎn)的序列）

CHAIN_APPROX_SIMPLE：壓縮水平的、垂直的和斜的部分，也就是函數(shù)只保留他們的終點(diǎn)部分。

①尋找輪廓

函數(shù)返回的第一個(gè)參數(shù)contours就是我們所需要的輪廓信息。它是一個(gè)列表的形式。每一個(gè)元素都是數(shù)組形式。一個(gè)圖像中可能有多個(gè)輪廓，并且會(huì)有外輪廓以及內(nèi)輪廓，均可通過(guò)返回的contours調(diào)用。

②輪廓特征

通過(guò)調(diào)用不同的函數(shù)可以求得輪廓的面積以及周長(zhǎng)等。

③輪廓繪制

第一個(gè)參數(shù)就是要畫上去的圖，第二個(gè)是輪廓信息，第三個(gè)是輪廓的索引，第四個(gè)是使用的顏色通道，第五個(gè)是線條的寬度。

也可以畫出輪廓的邊界矩形或者外接圓：

3.模板匹配

模板匹配 模板在原圖像上，從原點(diǎn)開始滑動(dòng)，計(jì)算模板與圖像被模板覆蓋的地方的差別程度，這個(gè)差別程度在opencv里有6種，然后將每次計(jì)算的結(jié)果放在一個(gè)矩陣?yán)?，作為結(jié)果輸出。假如原圖像是AB，模板是ab大小，則輸出結(jié)果是(A-a+1) * (B-b+1)

TM_SQDIFF：平方差異，越小越相關(guān)

TM_CCORR：相關(guān)性，越大越相關(guān)

TM_CCOEFF：相關(guān)系數(shù)，越大越相關(guān)

TM_SQDIFF_NORMED：歸一化平方不同，越接近0越相關(guān)

TM_CCORR_NORMED：歸一化相關(guān)性，越接近1越相關(guān)

TM_CCOEFF_NORMED：歸一化相關(guān)系數(shù)，越接近1越相關(guān)

建議：盡量使用歸一化的方法

①模板匹配

讀取圖片以及需要匹配的模板，并將其進(jìn)行灰度化處理：

下面得到的h,w就是模板的長(zhǎng)和寬

通過(guò)matchTemplate的方法進(jìn)行匹配：

②匹配框線繪制

對(duì)于匹配所得的返回值，通過(guò)minMaxLoc得到最小值和最大值，以及各自對(duì)應(yīng)的坐標(biāo)。根據(jù)選擇的方法不同，所需要的目標(biāo)值不同。比如TM_SQDIFF_NORMED：歸一化平方不同，就是越接近0越相關(guān)，即越小越好。

得到了最佳的值以及坐標(biāo)，就可以畫出來(lái)矩形框。

在rectangle方法中，參數(shù)依次是：要畫框的圖片，框的左上角坐標(biāo)，框的右下角坐標(biāo)，框的亮度，框的線條粗細(xì)。結(jié)果如下：

③多對(duì)象匹配

模板匹配也可匹配多個(gè)對(duì)象，若圖片中有多個(gè)和模板匹配的內(nèi)容，cv.matchTemplate返回的內(nèi)容中會(huì)有多個(gè)分?jǐn)?shù)高的結(jié)果，設(shè)定閾值后，把分?jǐn)?shù)高的結(jié)果的坐標(biāo)，按同樣的方式處理，把方框全部畫出來(lái)即可。

4.直方圖統(tǒng)計(jì)

①直方圖繪制

可直接通過(guò)plt.hist方法，將圖像矩陣扁平化之后，繪制不同的像素出現(xiàn)的頻率直方圖。

②直方圖統(tǒng)計(jì)

cv2.calcHist(images,channels,mask,histSize,ranges)

參數(shù)中：

imges：傳入的圖像

channels：顏色通道，如果是灰度圖就是[0]，如果是彩色可以是[0],[1],[2]。分別對(duì)應(yīng)著BGR。

mask：掩膜，如果需要對(duì)圖像進(jìn)行掩膜處理可以傳入此參數(shù)。

histSize：就是bin的數(shù)目，可以直接填入[256]

ranges：像素值范圍，常為：[0,256]

注意：傳入?yún)?shù)時(shí)，都需要用中括號(hào)括起來(lái)。

calcHist返回值是對(duì)應(yīng)顏色的統(tǒng)計(jì)值。當(dāng)i是0的時(shí)候，就是B，1對(duì)應(yīng)G，2對(duì)應(yīng)R

③直方圖的mask操作

創(chuàng)建mask，此處使用圖片的長(zhǎng)寬作為mask的長(zhǎng)寬，并把需要展示的地方置為1，其他地方置為0即可。

通過(guò)bitwise_and，即“與”操作，即可實(shí)現(xiàn)掩膜操作。

把Mask應(yīng)用到圖片中，并畫出直方圖：

④直方圖均衡化

通過(guò)cv.equalizeHist方法，可以對(duì)直方圖進(jìn)行均衡化

直方圖前后對(duì)比如下：

對(duì)應(yīng)的圖像發(fā)生的變化如下：

以上的方式是對(duì)全局直接進(jìn)行均衡化?？梢钥闯鰣D中雕像的臉變得模糊。通過(guò)自適應(yīng)直方圖均衡化可解決此問(wèn)題，自適應(yīng)均衡化是通過(guò)將圖片分成不同的小塊，對(duì)每一小塊進(jìn)行各自的均衡化。

5.傅里葉變換

低通濾波是保留低頻，圖像會(huì)變得模糊。高通濾波是保留高頻，圖像的細(xì)節(jié)會(huì)增強(qiáng)。

在opencv中主要是cv2.dft()和cv2.idft()，輸入圖像需要先轉(zhuǎn)換成np.float32的格式 得到的結(jié)果中，頻率為0的部分會(huì)在左上角，通常要轉(zhuǎn)換到中心位置，可以通過(guò)shift變換來(lái)實(shí)現(xiàn) cv2.dft()得到的結(jié)果是雙通道的（實(shí)部、虛部），通常還需要轉(zhuǎn)換成圖像格式才能展示（0,255）

上圖是將圖片轉(zhuǎn)換到頻域之后，轉(zhuǎn)換成灰度圖并且展示的形式。

在低通濾波中，當(dāng)轉(zhuǎn)換到頻域并把低頻的放到中間后，只需要設(shè)置一個(gè)掩膜，即可把圖像高頻濾除掉。然后在通過(guò)逆轉(zhuǎn)換，還原圖像即可。具體代碼如下：

在高通濾波器中，只需要把上面的代碼中的掩膜轉(zhuǎn)換一下，把0換成1,1換成0即可實(shí)現(xiàn)高通濾波。最終的圖片展示如下：

可以看出，圖片只保留了高頻，也就是變化劇烈的部分，也就是圖像中的邊緣。

關(guān)于python中opencv圖像金字塔輪廓及模板匹配是怎樣的就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。