python中opencv圖像金字塔輪廓及模板匹配是怎樣的

這篇文章給大家介紹python中opencv圖像金字塔輪廓及模板匹配是怎樣的，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

1.圖像金字塔

①高斯金字塔

向下采樣，數據會越來越少，減少的方式是：將偶數行和列刪除

向上采樣，數據會越來越多，將圖像在每個方向上擴大為原來的兩倍，新增的行和列用0來填充。使用先前同樣的內核與放大后的圖像卷積，獲得近似值。

上采樣之后，圖片會變大。

下采樣后，圖片會變小。

②拉普拉斯金字塔

對于原始圖像，先執行下采樣，再執行上采樣，并用原始圖像減去得到的采樣結果。

以上的計算方式為1層，第二層的計算，把第一層得到的結果作為原始圖像進行計算。

2.圖像輪廓

cv.findContours(img,mode,method)

最常用的mode：

RETR_TREE，檢測所有的輪廓，并重構嵌套輪廓的整個層次

最常用的method：

CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形（頂點的序列）

CHAIN_APPROX_SIMPLE：壓縮水平的、垂直的和斜的部分，也就是函數只保留他們的終點部分。

①尋找輪廓

函數返回的第一個參數contours就是我們所需要的輪廓信息。它是一個列表的形式。每一個元素都是數組形式。一個圖像中可能有多個輪廓，并且會有外輪廓以及內輪廓，均可通過返回的contours調用。

②輪廓特征

通過調用不同的函數可以求得輪廓的面積以及周長等。

③輪廓繪制

第一個參數就是要畫上去的圖，第二個是輪廓信息，第三個是輪廓的索引，第四個是使用的顏色通道，第五個是線條的寬度。

也可以畫出輪廓的邊界矩形或者外接圓：

3.模板匹配

模板匹配 模板在原圖像上，從原點開始滑動，計算模板與圖像被模板覆蓋的地方的差別程度，這個差別程度在opencv里有6種，然后將每次計算的結果放在一個矩陣里，作為結果輸出。假如原圖像是AB，模板是ab大小，則輸出結果是(A-a+1) * (B-b+1)

TM_SQDIFF：平方差異，越小越相關

TM_CCORR：相關性，越大越相關

TM_CCOEFF：相關系數，越大越相關

TM_SQDIFF_NORMED：歸一化平方不同，越接近0越相關

TM_CCORR_NORMED：歸一化相關性，越接近1越相關

TM_CCOEFF_NORMED：歸一化相關系數，越接近1越相關

建議：盡量使用歸一化的方法

①模板匹配

讀取圖片以及需要匹配的模板，并將其進行灰度化處理：

下面得到的h,w就是模板的長和寬

通過matchTemplate的方法進行匹配：

②匹配框線繪制

對于匹配所得的返回值，通過minMaxLoc得到最小值和最大值，以及各自對應的坐標。根據選擇的方法不同，所需要的目標值不同。比如TM_SQDIFF_NORMED：歸一化平方不同，就是越接近0越相關，即越小越好。

得到了最佳的值以及坐標，就可以畫出來矩形框。

在rectangle方法中，參數依次是：要畫框的圖片，框的左上角坐標，框的右下角坐標，框的亮度，框的線條粗細。結果如下：

③多對象匹配

模板匹配也可匹配多個對象，若圖片中有多個和模板匹配的內容，cv.matchTemplate返回的內容中會有多個分數高的結果，設定閾值后，把分數高的結果的坐標，按同樣的方式處理，把方框全部畫出來即可。

4.直方圖統計

①直方圖繪制

可直接通過plt.hist方法，將圖像矩陣扁平化之后，繪制不同的像素出現的頻率直方圖。

②直方圖統計

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

參數中：

imges：傳入的圖像

channels：顏色通道，如果是灰度圖就是[0]，如果是彩色可以是[0],[1],[2]。分別對應著BGR。

mask：掩膜，如果需要對圖像進行掩膜處理可以傳入此參數。

histSize：就是bin的數目，可以直接填入[256]

ranges：像素值范圍，常為：[0,256]

注意：傳入參數時，都需要用中括號括起來。

calcHist返回值是對應顏色的統計值。當i是0的時候，就是B，1對應G，2對應R

③直方圖的mask操作

創建mask，此處使用圖片的長寬作為mask的長寬，并把需要展示的地方置為1，其他地方置為0即可。

通過bitwise_and，即“與”操作，即可實現掩膜操作。

把Mask應用到圖片中，并畫出直方圖：

④直方圖均衡化

通過cv.equalizeHist方法，可以對直方圖進行均衡化

直方圖前后對比如下：

對應的圖像發生的變化如下：

以上的方式是對全局直接進行均衡化。可以看出圖中雕像的臉變得模糊。通過自適應直方圖均衡化可解決此問題，自適應均衡化是通過將圖片分成不同的小塊，對每一小塊進行各自的均衡化。

5.傅里葉變換

低通濾波是保留低頻，圖像會變得模糊。高通濾波是保留高頻，圖像的細節會增強。

在opencv中主要是cv2.dft()和cv2.idft()，輸入圖像需要先轉換成np.float32的格式 得到的結果中，頻率為0的部分會在左上角，通常要轉換到中心位置，可以通過shift變換來實現 cv2.dft()得到的結果是雙通道的（實部、虛部），通常還需要轉換成圖像格式才能展示（0,255）

上圖是將圖片轉換到頻域之后，轉換成灰度圖并且展示的形式。

在低通濾波中，當轉換到頻域并把低頻的放到中間后，只需要設置一個掩膜，即可把圖像高頻濾除掉。然后在通過逆轉換，還原圖像即可。具體代碼如下：

在高通濾波器中，只需要把上面的代碼中的掩膜轉換一下，把0換成1,1換成0即可實現高通濾波。最終的圖片展示如下：

可以看出，圖片只保留了高頻，也就是變化劇烈的部分，也就是圖像中的邊緣。

關于python中opencv圖像金字塔輪廓及模板匹配是怎樣的就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。