目录
图像金字塔
-
高斯金字塔
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）
img=cv2.imread("AM.png")
cv_show(img.'img')
print(img.shape)
(442,340,3)
up=cv2.pyrUp(img) #pyr:金字塔,Up:上采样
cv_show(up,'up')
print(up.shape)
(884,680,3)
变大了
down=cv2.pyrDown(img) #Down下采样
cv_show(down,'down')
print(down.shape)
(221,170,3)
变小了
up2=cv2.pyrUp(up) #对上采样再次执行上采样
cv_show(up2,'up2')
print(down.shape)
(1768,1360,3)
图片过大，无法展示
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show(np.hstack((img,up_down)),'up_down')
先执行上采样，再执行下采样，所得到的图形与之前的不相同，因为上采样中需要进行0填充，而下采样中又会丢失一些信息。 
与原始图像相比，变的模糊了
拉普拉斯金字塔
Gi（img，原始图像）减去 先up后down的图像，每一层都是这样做
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')
图像轮廓
cv2.findContours(img,mode,method)
mode:轮廓检索模式，建议选择最后一个就可以了
- 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：顶层是个部分的外部边界，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；
method：轮廓逼近方法，不止两种，该两种常用
- 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
为了更高的准确率，使用二值图像。
img=cv2.imread('car.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转灰度图
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY) #阈值，小于127取一个值，大于255取一个值
cv_show(thresh,'thresh')
binary,contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,CHAIN_APPROX_NONE)
绘制轮廓
#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，会自动将修改信息保存在原图上
draw_img=img.copy()
res=cv2.drawContours(draw_img,contours,-1,(0,0,255),2)#-1是绘制所有轮廓，0.0.255是BGR，2是线条宽度
cv_show(res,'res')
轮廓特征
算一些轮廓的特征的时候，需要指定某一个轮廓
cnt=contours[0]
下面是计算一些轮廓的特征用到的
#面积
cv2.contourArea(cnt)
#周长
cv2.arcLength(cnt,True)#可以指定true或false，true表示是闭合的
轮廓近似
近似原理： AB为一条曲线，C为曲线上距离AB最远的点，C到AB的距离为d，当d小于一个阈值T时，可以近似成为一条直线。d大于T时，不可以用一条直线来近似，用两条直线AC和CB来近似，以此类推。
img=cv2.imread('contours2.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,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')
epsilon=0.1*cv2.arcLength(cnt,True) #周长的0.1倍，值越小越接近原图
approx=cv2.approxPolyDP(cnt,epsilon,True)#轮廓近似
draw_img=img.copy()
res=cv2.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show(res,'res')
边界矩形
img=cv2.imread('contours.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
cnt=contours[0]
d
x,y,w,h=cv2.boundingRect(cnt)
img=cv2.rectangle(img,(x,y),(x+y,y+h),(0,255,0),2)
cv_show(img,'img')
area=cv2.contourArea(cnt)
x,y,w,h=cv2.boundingRect(cnt)
rect_area=w*h
extent=float(area)/rect_area
print('轮廓面积与边界矩形比',extent)
外接圆
(x,y),radius=cv2.minEnclosingCircle(cnt)
center=(int(x),int(y))
radius=int(radius)
img-cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')
模板匹配
当前模板在原图中匹配位置，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。假设原图形是A×B大小，而模板是a×b大小，则输出结果的矩阵时（A-a+1）×（B-b+1）
匹配方式：从左到右，从上到下
- 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
尽量使用归一化的结果
# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2]
img.shape
(263, 263)
template.shape
(110, 85)
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)#模板匹配
res.shape
(154,179)
#最小值，最大值，最小值坐标位置，最大值坐标位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) #定位
min_val
39168.0
max_val
74403584.0
min_loc
(107, 89)
max_loc
(159, 62)
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
#得到右下角的矩阵的点
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()
匹配多个对象
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)#模板匹配
threshold = 0.8#指定阈值
# 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)
模板如下
匹配结果如下
