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_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
- RETR_LIST：检索所有轮廓，并将其保存到一条链表当中
- 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
1.4 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
Li=Gi−PyrUp(PyrDown(Gi))
