opencv+python（四）

十八、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opec里有6种，然
后将每次计算的结果放入一个矩车里，作为结果输出。假如原图形是AxB大小，而模板是xb大小，则输出结果的矩阵是(A-a+1)x(Bb+1)

# 模板匹配
import numpy as np
img = cv2.imread('cat.jpg', 0)
img1 = cv2.imread('cat_1.jpg', 0)
# print(img.shape)
# print(img1.shape)
w, h = img1.shape[:2]   # 取出宽，长
print(w, h)
methods = ['cv2.TM_SQDIFF', 'cv2.TM_CCORR', 'cv2.TM_CCOEFF', 'cv2.TM_SQDIFF_NORMED', 'cv2.TM_CCORR_NORMED', 'cv2.TM_CCOEFF_NORMED']
# 2和3效果不行  'cv2.TM_CCORR', 'cv2.TM_CCOEFF'
# res = cv2.matchTemplate(img, img1, cv2.TM_CCOEFF)
# print(res.shape)
# min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# print(min_val, max_val, min_loc, max_loc)
# cv2.imshow('img', img)
# cv2.imshow('img1', img1)
# cv2.imshow('img2', res)
for meth in methods:
    img2 = img.copy()
    method = eval(meth)    # 传入的不能是字符串，要转为真值，即去掉''
    print(meth)
    res = cv2.matchTemplate(img, img1, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    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)    
    img3 = cv2.rectangle(img2, top_left, bottom_right, 255, 2)    # 在img2图像上画方框，top(左上)和bottom(右下)是两个坐标点
    cv2.imshow(meth, img3)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

匹配多个对象

# 匹配多个对象
import numpy as np
img = cv2.imread('stars.png')
img3 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img1 = cv2.imread('star.png', 0)
w, h = img1.shape[:2]   # 取出宽，长
print(w, h)
methods = ['cv2.TM_SQDIFF', 'cv2.TM_CCORR', 'cv2.TM_CCOEFF', 'cv2.TM_SQDIFF_NORMED', 'cv2.TM_CCORR_NORMED', 'cv2.TM_CCOEFF_NORMED']
# 2和3效果不行  'cv2.TM_CCORR', 'cv2.TM_CCOEFF'
res = cv2.matchTemplate(img3, img1, cv2.TM_CCOEFF_NORMED)
print(res.shape)
print(res.size)
threshold = 0.9
# 取匹配值程度大于80%的坐标
loc = np.where(res >= threshold)
print(loc[::-1])
for pt in zip(*loc[::-1]):  # *号表示可选参数,zip()函数
    # img3 = img.copy()
    print(pt[0], pt[1])
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img3, pt, bottom_right, (0, 0, 255), 2)
# min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# print(min_val, max_val, min_loc, max_loc)
cv2.imshow('res', res)
cv2.imshow('img3', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

zip（）函数的应用：

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。

效果示意图：

扫描二维码关注公众号，回复： 15914388 查看本文章

numpy.where()、python[::-1]、zip()三个知识点

十九、直方图

# 直方图
import numpy as np
import matplotlib.pyplot as plt
# 显示单通道
img = cv2.imread('cat.jpg', 0)
cv2.imshow('cat', img)
hist = cv2.calcHist([img], [0], None, [256], [0,256])
print(hist.shape)
plt.hist(img.ravel(),256)
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
# 显示多通道
img = cv2.imread('cat.jpg')
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()

直方图均衡化（增强对比度）

# 直方图均衡化
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('child.jpg', 0)
# plt.hist(img.ravel(),256)
# plt.show()
# equ = cv2.equalizeHist(img)  # 直方图均衡化
# plt.hist(equ.ravel(),256)
# plt.show()
# 自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img, res_clahe))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

二十、傅里叶变换

心得：用傅里叶变换，转化到频域里处理时，在原始图像里要每个像素都处理，频域里只要处理频率就可以了，使得效率更高、速度更快

# 傅里叶变换
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('cat.jpg',0)
# 先将图像转成float型
img_float32 = np.float32(img)
# 傅里叶变换
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 将低频转移到坐标中心处
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]))
# 显示
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()

效果图：

低通滤波器：

# 低通滤波器
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('cat.jpg',0)
# 先将图像转成float型
img_float32 = np.float32(img)
# 傅里叶变换
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 将低频转移到坐标中心处
dft_shift = np.fft.fftshift(dft)
# 求出图像的中心位置
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
# mask掩码，低通滤波器
mask = np.zeros((rows, cols, 2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1  # 保留中间区域
# IDFT 傅里叶逆变换
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,0])
# 显示
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()

效果图：（图像变得模糊）

高通滤波器：

# 高通滤波器
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('cat.jpg',0)
# 先将图像转成float型
img_float32 = np.float32(img)
# 傅里叶变换
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 将低频转移到坐标中心处
dft_shift = np.fft.fftshift(dft)
# 求出图像的中心位置
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
# mask掩码，低通滤波器
mask = np.ones((rows, cols, 2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0   # 将中间区域赋值为0
# IDFT 傅里叶逆变换
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,0])
# 显示
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()

效果图：（提取轮廓）

十八、模板匹配

十九、直方图

直方图均衡化（增强对比度）

二十、傅里叶变换

猜你喜欢