python计算机视觉opencv图像金字塔轮廓及模板匹配

1.图像金字塔

①高斯金字塔

向下采样，数据会越来越少，减少的方式是：将偶数行和列删除

向上采样，数据会越来越多，将图像在每个方向上扩大为原来的两倍，新增的行和列用0来填充。使用先前同样的内核与放大后的图像卷积，获得近似值。

上采样之后，图片会变大。

下采样后，图片会变小。

②拉普拉斯金字塔

对于原始图像，先执行下采样，再执行上采样，并用原始图像减去得到的采样结果。

以上的计算方式为1层，第二层的计算，把第一层得到的结果作为原始图像进行计算。

2.图像轮廓

cv.findContours(img,mode,method)

最常用的mode：

RETR_TREE，检测所有的轮廓，并重构嵌套轮廓的整个层次

最常用的method：

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。

①寻找轮廓

函数返回的第一个参数contours就是我们所需要的轮廓信息。它是一个列表的形式。每一个元素都是数组形式。一个图像中可能有多个轮廓，并且会有外轮廓以及内轮廓，均可通过返回的contours调用。

②轮廓特征

通过调用不同的函数可以求得轮廓的面积以及周长等。

③轮廓绘制

第一个参数就是要画上去的图，第二个是轮廓信息，第三个是轮廓的索引，第四个是使用的颜色通道，第五个是线条的宽度。

也可以画出轮廓的边界矩形或者外接圆：

3.模板匹配

模板匹配 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，这个差别程度在opencv里有6种，然后将每次计算的结果放在一个矩阵里，作为结果输出。假如原图像是AB，模板是ab大小，则输出结果是(A-a+1) * (B-b+1)

TM_SQDIFF：平方差异，越小越相关

TM_CCORR：相关性，越大越相关

TM_CCOEFF：相关系数，越大越相关

TM_SQDIFF_NORMED：归一化平方不同，越接近0越相关

TM_CCORR_NORMED：归一化相关性，越接近1越相关

TM_CCOEFF_NORMED：归一化相关系数，越接近1越相关

建议：尽量使用归一化的方法

①模板匹配

读取图片以及需要匹配的模板，并将其进行灰度化处理：

下面得到的h,w就是模板的长和宽

通过matchTemplate的方法进行匹配：

②匹配框线绘制

对于匹配所得的返回值，通过minMaxLoc得到最小值和最大值，以及各自对应的坐标。根据选择的方法不同，所需要的目标值不同。比如TM_SQDIFF_NORMED：归一化平方不同，就是越接近0越相关，即越小越好。

得到了最佳的值以及坐标，就可以画出来矩形框。

在rectangle方法中，参数依次是：要画框的图片，框的左上角坐标，框的右下角坐标，框的亮度，框的线条粗细。结果如下：

③多对象匹配

模板匹配也可匹配多个对象，若图片中有多个和模板匹配的内容，cv.matchTemplate返回的内容中会有多个分数高的结果，设定阈值后，把分数高的结果的坐标，按同样的方式处理，把方框全部画出来即可。

4.直方图统计

①直方图绘制

可直接通过plt.hist方法，将图像矩阵扁平化之后，绘制不同的像素出现的频率直方图。

②直方图统计

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

参数中：

imges：传入的图像

channels：颜色通道，如果是灰度图就是[0]，如果是彩色可以是[0],[1],[2]。分别对应着BGR。

mask：掩膜，如果需要对图像进行掩膜处理可以传入此参数。

histSize：就是bin的数目，可以直接填入[256]

ranges：像素值范围，常为：[0,256]

注意：传入参数时，都需要用中括号括起来。

calcHist返回值是对应颜色的统计值。当i是0的时候，就是B，1对应G，2对应R

③直方图的mask操作

创建mask，此处使用图片的长宽作为mask的长宽，并把需要展示的地方置为1，其他地方置为0即可。

通过bitwise_and，即“与”操作，即可实现掩膜操作。

把Mask应用到图片中，并画出直方图：

④直方图均衡化

通过cv.equalizeHist方法，可以对直方图进行均衡化

直方图前后对比如下：

对应的图像发生的变化如下：

以上的方式是对全局直接进行均衡化。可以看出图中雕像的脸变得模糊。通过自适应直方图均衡化可解决此问题，自适应均衡化是通过将图片分成不同的小块，对每一小块进行各自的均衡化。

5.傅里叶变换

低通滤波是保留低频，图像会变得模糊。高通滤波是保留高频，图像的细节会增强。

在opencv中主要是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32的格式 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，可以通过shift变换来实现 cv2.dft()得到的结果是双通道的（实部、虚部），通常还需要转换成图像格式才能展示（0,255）

上图是将图片转换到频域之后，转换成灰度图并且展示的形式。

在低通滤波中，当转换到频域并把低频的放到中间后，只需要设置一个掩膜，即可把图像高频滤除掉。然后在通过逆转换，还原图像即可。具体代码如下：

在高通滤波器中，只需要把上面的代码中的掩膜转换一下，把0换成1,1换成0即可实现高通滤波。最终的图片展示如下：

可以看出，图片只保留了高频，也就是变化剧烈的部分，也就是图像中的边缘。

以上就是python计算机视觉opencv图像金字塔轮廓及模板匹配的详细内容，更多关于python opencv图像金字塔轮廓及模板匹配的资料请关注猪先飞其它相关文章！