opencv-python图像处理：Canny边缘检测算法，模板匹配，直方图均衡化，傅里叶变换

1 Canny边缘检测流程

1）使用高斯滤波器，以平滑图像，滤除噪声
2）计算图像中每个像素点的梯度强度和方向
3）应用非极大值抑制，以消除边缘检测带来的杂散响应
4）应用双阈值检测来确定真实的和潜在的边缘
5）通过抑制孤立的弱边缘最终完成边缘检测

1.高斯滤波器

2.梯度和方向

3.非极大值抑制

4.双阈值检测

import cv2
import numpy as np


def cv_show(im, name):
    cv2.imshow(name, im)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


img = cv2.imread('data/test2.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (400, 400))

v1 = cv2.Canny(img, 80, 150)
v2 = cv2.Canny(img, 50, 100)

res = np.hstack((img, v1, v2))
cv_show(res, 'res')

结论：区间值越大，检测的边界越少；区间值越少，检测的边界越多。

2 图像金字塔

高斯金字塔
拉普拉斯金字塔

高斯金字塔：向下采样方法（缩小）

高斯金字塔：向上采样方法（放大）

import cv2
import numpy as np


def cv_show(im, name):
    cv2.imshow(name, im)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


img = cv2.imread('data/dog.jpg')
img = cv2.resize(img, (400, 400))

up = cv2.pyrUp(img)
cv_show(up, 'up')

down = cv2.pyrDown(img)
cv_show(down, 'down')

reset = cv2.pyrUp(down)
res = np.hstack([img, reset])
cv_show(res, 'res')

上采样的结果

下采样的结果

原图和先上采样再下采样的图

拉普拉斯金字塔

import cv2
import numpy as np


def cv_show(im, name):
    cv2.imshow(name, im)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


img = cv2.imread('data/dog.jpg')
img = cv2.resize(img, (400, 400))

up = cv2.pyrUp(img)
down = cv2.pyrDown(img)

reset = cv2.pyrUp(down)
res = np.hstack([img, reset, img - reset])
cv_show(res, 'res')

3 轮廓检测方法

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，并将其保存在列表中
• RETER_CCOMP：检索所有的轮廓，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
• RETER_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次

method：轮廓逼近方法

• CHAIN_APPROX_NONE：以Freema链码的方式输出轮廓，所有其他地方输出多边形（顶点序列）。
• CHAIN_APPROX_SIMPLE：压缩水平的、垂直的和斜外的部分，也就是，函数只是保留它们的终点部分。

4 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中有六种，将每次计算的结果放入一个矩阵里，作为结果输出。假如原图像是AxB大小，而模板是axb大小，则输出的结果矩阵是（A-a+1）x（B-b+1）

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/lena.png', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('data/face.png', cv2.IMREAD_GRAYSCALE)
w, h = template.shape[0], template.shape[1]
methods = ['cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED', 'cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_SQDIFF',
           'cv2.TM_SQDIFF_NORMED']
for meth in methods:
    img2 = img.copy()
    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([])
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

5 图像直方图

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/lena.png', cv2.IMREAD_GRAYSCALE)
res = cv2.calcHist(images=[img], channels=[0], mask=None, histSize=[256], ranges=[0, 256])
print(res.shape)  # (256, 1)
plt.hist(img.ravel(), 256)
plt.show()

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/lena.png')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
    histr = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(histr, color=col)
    plt.xlim([0, 256])
plt.show()

6 傅里叶变换

傅里叶变换的作用

• 高频：变化剧烈的灰度分量，例如边界
• 低频：变化缓慢的灰度分量，例如一片大海

滤波

• 低通滤波器：只保留低频，使得图像模糊
• 高通滤波器：只保留高频，使得图像细节增强

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/lena.png', cv2.IMREAD_GRAYSCALE)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
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()

低通滤波器

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/lena.png', cv2.IMREAD_GRAYSCALE)
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
c_row, c_col = int(rows / 2), int(cols / 2)  # 中心位置

# 低通滤波器
mask = np.zeros((rows, cols, 2), np.uint8)
mask[c_row - 30:c_row + 30, c_col - 30:c_col + 30] = 1

# IDFT
f_shift = dft_shift * mask
f_ishift = np.fft.ifftshift(f_shift)
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()

高通滤波器

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/lena.png', cv2.IMREAD_GRAYSCALE)
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
c_row, c_col = int(rows / 2), int(cols / 2)  # 中心位置

# 高通滤波器
mask = np.ones((rows, cols, 2), np.uint8)
mask[c_row - 30:c_row + 30, c_col - 30:c_col + 30] = 0

# IDFT
f_shift = dft_shift * mask
f_ishift = np.fft.ifftshift(f_shift)
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()