【python版CV】圖像輪廓＆模板匹配

文章目錄

• • • 1、圖像輪廓
    • • 1.1 findContours函數：
      • 1.2 獲取輪廓信息（可能會報錯原因）
      • 1.3 繪制輪廓：
      • 1.4 輪廓特征：
      • 1.5 輪廓近似：
      • 1.6 邊界矩形
    • 2、模板匹配
    • 3、圖像金字塔
    • • 3.1 高斯金字塔
      • 3.2 拉普拉斯金字塔

1、圖像輪廓

1.1 findContours函數：

cv.findContours(img,mode,method)

mode：輪廓檢索模式

• RETR_EXTERNAL：只檢索最外面輪廓
• RETR_LIST：檢索所有輪廓，並將其保存到一條鏈表當中
• RETR_CCOMP：檢索所有輪廓，並將它們組織為兩層；頂層是各部分的外部邊界，第二層是空洞的邊界
• RETR_TREE：檢索所有輪廓，並重構嵌套輪廓層次（常用）

method：輪廓逼近方法

• 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（頂點序列）
• CHAIN_APPROX_SIMPLE：壓縮水平的、垂直的和斜的部分，也就是函數保留它們終點部分

為了更高的准確率，使用二值圖像

image=cv.imread("E:\\Pec\\lan.jpg")
#轉化為灰度圖
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
#轉化為二值圖
ret,thresh=cv.threshold(gray,127,255,cv.THRESH_BINARY)
#返回值一：計算好或者設定好的阈值
#返回值二：處理好的圖像

1.2 獲取輪廓信息（可能會報錯原因）

#binary,contours,hierarchy=cv.findContours(,,)
#因為OpenCV庫的更新，會報錯“not enough values to unpack (expected 3, got 2)”
#把返回值從三個改成兩個即可（刪除第一個返回值）
contours,hierarchy=cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)
#返回值一：輪廓信息
#返回值二：層級

1.3 繪制輪廓：

#繪制圖像輪廓函數drawContours():圖像、輪廓信息、輪廓索引(需要多少輪廓，-1默認全部)、顏色模式、線條厚度
draw_img=image.copy()
res=cv.drawContours(draw_img,contours,-1,(0,255,0),2)
cv_show("res",res)

1.4 輪廓特征：

#輪廓特征
cnt=contours[0]#第0個輪廓
#面積
area=cv.contourArea(cnt)
print(area)
#周長,True表示閉合的輪廓圖像
girth=cv.arcLength(cnt,True)
print(girth)

1.5 輪廓近似：

說明：曲線AB，假設C點是到直接AB最大的點，然後過C點做直線AB的垂直線d，若d點小於T（自己設置的阈值），直線AB可以取代曲線AB，若d大於T，不能取代，則同理在曲線CB取一點D，做D到直線CB的曲線，然後再比較阈值。。。。。

#輪廓近似
#二值圖獲取
img=cv.imread("E:\\Pec\\lunk.jpg")
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret,thresh=cv.threshold(gray,127,255,cv.THRESH_BINARY)
#獲取輪廓
contours,hierarchy=cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)
cnt=contours[2]
draw_img=img.copy()
res=cv.drawContours(draw_img,contours,-1,(0,255,0),5)
cv_show("res",res)
#取近似
epsilon=0.15*cv.arcLength(cnt,True)#設置的比較阈值,一般是周長的百分比
#百分比越小，變化越不明顯
approx=cv.approxPolyDP(cnt,epsilon,True)#做近似
draw_img=img.copy()
res=cv.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show("res",res)

1.6 邊界矩形

img=cv.imread("E:\\Pec\\lunk.jpg")
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret,thresh=cv.threshold(gray,127,255,cv.THRESH_BINARY)
contours,hierarchy=cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)
cnt=contours[3]
x,y,w,h=cv.boundingRect(cnt)
image=cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show("image",image)

2、模板匹配

說明：模板匹配和卷積原理很像，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，這個差別程度的計算方法在opencv中有6種，然後將每次計算的結果放入一個矩陣裡，作為結果輸出。如原圖形是AxB大小，而模板是axb大小，則輸出結果是(A-a+1)x(B-b+1)

6種差別程度的計算方法：（盡量用歸一化）

• TM_SQDIFF：計算平方不同，計算出來的值越小，越相關
• TM_CCORR：計算相關性，計算出來的值越大，越相關
• TM_CCOEFF：計算相關系數，計算出來的值越大，越相關
• TM_SQDIFF_NORMED：計算歸一化平方不同，計算出來的值越接近0，越相關
• TM_CCORR_NORMED：計算歸一化相關性，計算出來的值越接近1，越相關
• TM_CCOEFF_NORMED：計算歸一化相關系數，計算出來的值越接近1，越相關

#模板匹配
img=cv.imread("E:\\Pec\\lida.jpg",0)
template=cv.imread("E:\\Pec\\face.jpg",0)
#cv_show("lida",img)
#cv_show("tem",template)
h,w=template.shape[:2]
print(img.shape)
print(template.shape)
methods=['cv.TM_CCOEFF','cv.TM_CCORR','cv.TM_CCOEFF','cv.TM_SQDIFF_NORMED'
,'cv.TM_CCORR_NORMED','cv.TM_CCOEFF_NORMED']
#進行模板匹配
res=cv.matchTemplate(img,template,3)
#第三個參數是一個數值，1對應上面的TM_CCOEFF,同理下面
print(res.shape)
min_val,max_val,min_loc,max_loc=cv.minMaxLoc(res)
print(min_val)#最小值
print(max_val)#最大值
print(min_loc)#最小值位置
print(max_loc)#最大值位置
for meth in methods:
img2=img.copy()
#匹配方法的真值
method=eval(meth)#eval函數是以字符串的形式運行代碼，如a1,a2...分別賦予1，2..
print(method)
res=cv.matchTemplate(img,template,method)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
#如果是平方差匹配TM_SQDIFF或者歸一化平方差匹配，取最小值
if method in [1,4]:
top_left=min_loc
else:
top_left=max_loc
bottom_right=(top_left[0]+w,top_left[1]+h)
#畫矩形
cv.rectangle(img2,top_left,bottom_right,255,2)
#位置由三個整型數值構成：第一個代表行數，第二個代表列數，第三個代表索引位置。
#舉例：plt.subplot(2, 3, 5) 和plt.subplot(235) 一樣。
plt.subplot(121),plt.imshow(res)
plt.xticks([]),plt.yticks([])#隱藏坐標軸
plt.subplot(122),plt.imshow(img2)
plt.xticks([]), plt.yticks([]) # 隱藏坐標軸
plt.suptitle(meth)
plt.show()

(255, 255)
(146, 153)
(110, 103)
0.7732675671577454
0.9017052054405212
(8, 109)
(67, 35)
4
2
4
1
3
5

匹配多個對象：

python zip()函數：

zip() 函數用於將可迭代的對象作為參數，將對象中對應的元素打包成一個個元組，然後返回由這些元組組成的列表。
如果各個迭代器的元素個數不一致，則返回列表長度與最短的對象相同，利用 * 號操作符，可以將元組解壓為列表。zip(*loc[::-1])

img_jb1=cv.imread("E:\\Pec\\jinbi1.jpg")
#cv_show("res",img_jb1)
img_jb2=cv.imread("E:\\Pec\\jinbi2.jpg")
#cv_show("res",img_jb2)
h,w=img_jb2.shape[:2]
res=cv.matchTemplate(img_jb1,img_jb2,cv.TM_CCOEFF_NORMED)
#取匹配度大於80%的坐標
threshold=0.7
loc=np.where(res>threshold)
for pt in zip(*loc[::-1]): #*表示可選參數
bootom_right=(pt[0]+w,pt[1]+h)
cv.rectangle(img_jb1,pt,bootom_right,(0,255,0),2)
cv_show("jb",img_jb1)

3、圖像金字塔

• 高斯金字塔
• 拉普拉斯金字塔

3.1 高斯金字塔

（1）向下采樣方法（縮小）

• 將Gi與高斯內核卷積
• 將所有偶數行和列去除，兩邊各縮小一半，面積縮小四分之一

down=cv.pyrDown(image)
#cv_show("down",down)

（2）向上采樣方法（放大）

• 將圖像在每個方向擴大到原來的兩倍，新增的行和列以0填充
• 使用先前同樣的內核(乘以4)與放大後的圖像卷積，獲取近似值

up=cv.pyrUp(image)
#cv_show("up",up)

3.2 拉普拉斯金字塔

L i = G i − P y r U p ( P y r D o w n ( G i ) ) Li=Gi-PyrUp(PyrDown(Gi)) Li=Gi−PyrUp(PyrDown(Gi))