Opencv总结2——图像金字塔与轮廓检测

纯手打持续更新中~

1、轮廓检测（findContours）

cv2.findContours (img,mode,method)

mode:轮廓检索模式

RETR_EXTERNAL ：只检索最外面的轮廓；
RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;（最常用这个）

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（顶点的序列）。
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

输入图像的要求，必须是二值的！（更高的准确率）

python 复制代码

img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 这一步对图像二值处理
cv_show(thresh,'thresh')

python 复制代码

binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

binary 为二值化之后的结果

contours为轮廓信息

hierarchy 表示层级

绘制轮廓（drawContours）

python 复制代码

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy,要不原图会变。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')

python 复制代码

draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show(res,'res')

轮廓特征与近似（contourArea）

轮廓特征计算

python 复制代码

cnt = contours[0]
#面积
cv2.contourArea(cnt)
#周长，True表示闭合的
cv2.arcLength(cnt,True)

轮廓近似

python 复制代码

img = cv2.imread('contours2.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')

这里用到了近似函数approxPolyDP

python 复制代码

epsilon = 0.15*cv2.arcLength(cnt,True) 　# 0.15 越小是越貼合的
approx = cv2.approxPolyDP(cnt,epsilon,True) #cnt是轮廓，epsilon是指定需要比较的值，一般是周长的倍数

draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')

2、模板匹配（matchTemplate）

两张图片，现在是要看第一张图片是在第二张图片的哪一个部分。

把右边的图片分成九宫格，然后opencv会从左到右，从上到下进行一点点的匹配（逐像素匹配，像素点的差异），看看左边的图像是在右边的哪个位置。

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，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

模板匹配的代码（代码在notebook中运行）：

python 复制代码

# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2] 

img.shape # 输出(263, 263)
template.shape # 输出(110, 85)

有以下6种差异计算方法：

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（推荐用归一化的，结果会更可靠一些。）
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
公式：https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d

python 复制代码

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']

cv2.minMaxLoc() 是专门用于提取匹配结果矩阵（res）中极值（最小值 / 最大值） 及对应坐标的核心函数.

最小值就是根据需要匹配的图中，找到原图中的一个匹配点，后续根据h和w就能画出一个候选的方框。

python 复制代码

res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape # (154, 179)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # min_val:39168.0 max_val:74403584.0 min_loc:(107, 89) max_loc:(159, 62)

python 复制代码

for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    print (method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
    if method 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)

    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)
    plt.show()

示例

如果是匹配多个对象

python 复制代码

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

3、图像金字塔（pyrUp，pyrDown）

把图像组合成金字塔的形状，可以用于图像特征提取，每层的特征提取的结果组合在一起。

高斯金字塔：向下采样方法（缩小）用高斯核，然后把偶数列全部去掉。

高斯金字塔：向上采样方法（放大）

用相同的卷积核来卷积，可以想象10这个像素平均的分给了周围的像素点。

代码实验

python 复制代码

img=cv2.imread("AM.png")
cv_show(img,'img')
print (img.shape) #　(442, 340, 3)

python 复制代码

# 上采样
up=cv2.pyrUp(img)
cv_show(up,'up')
print (up.shape) #(884, 680, 3)

python 复制代码

#下采样方法
down=cv2.pyrDown(img)
cv_show(down,'down')
print (down.shape) # (221, 170, 3)

拉普拉斯金字塔

拉普拉斯金字塔的每一层 = 当前层的高斯图像 - 上采样后的下一层高斯图像。

python 复制代码

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')

Opencv总结2——图像金字塔与轮廓检测

纯手打持续更新中~

1、轮廓检测（findContours）

cv2.findContours (img,mode,method)

绘制轮廓（drawContours）

轮廓特征与近似（contourArea）

2、模板匹配（matchTemplate）

3、图像金字塔（pyrUp，pyrDown）

高斯 金字塔：向下采样方法（缩小）用高斯核，然后把偶数列全部去掉。

高斯 金字塔：向上采样方法（放大）

代码实验

拉普拉斯金字塔

高斯金字塔：向下采样方法（缩小）用高斯核，然后把偶数列全部去掉。

高斯金字塔：向上采样方法（放大）