目录
http://t.csdnimg.cn/i8pqt —— opencv—常用函数学习_“干货“_总(VIP)
散的正在一部分一部分发,不需要VIP。
资料整理不易,有用话给个赞和收藏吧。
三二、直方图
在OpenCV中,直方图是图像处理中的一个重要工具,用于表示图像中像素值的分布情况。常用的直方图函数包括 calcHist
、compareHist
和 calcBackProject
。下面介绍这些函数及其使用示例。
直方图函数 | ||
calcHist | compareHist | calcBackProject |
计算图像的直方图 | 比较两个直方图的相似度 | 计算反向投影 |
计算图像的直方图 (calcHist
)
import cv2
import numpy as np
from matplotlib import pyplot as plt
# 读取图像并转换为灰度图
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)
# 计算直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])
# 绘制直方图
plt.plot(hist)
plt.title('Grayscale Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.show()
比较两个直方图的相似度 (compareHist
)
# 读取两幅图像并转换为灰度图
image1 = cv2.imread('path_to_image1.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('path_to_image2.jpg', cv2.IMREAD_GRAYSCALE)
# 计算直方图
hist1 = cv2.calcHist([image1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([image2], [0], None, [256], [0, 256])
# 归一化直方图
hist1 = cv2.normalize(hist1, hist1)
hist2 = cv2.normalize(hist2, hist2)
# 比较直方图
similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)
print('Histogram similarity:', similarity)
计算反向投影 (calcBackProject
)
# 读取图像并转换为HSV色彩空间
image = cv2.imread('path_to_image.jpg')
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# 选择感兴趣的区域(ROI)
roi = hsv[100:200, 100:200]
# 计算ROI的直方图
roi_hist = cv2.calcHist([roi], [0, 1], None, [180, 256], [0, 180, 0, 256])
roi_hist = cv2.normalize(roi_hist, roi_hist, 0, 255, cv2.NORM_MINMAX)
# 计算反向投影
back_project = cv2.calcBackProject([hsv], [0, 1], roi_hist, [0, 180, 0, 256], 1)
# 显示反向投影结果
cv2.imshow('Back Projection', back_project)
cv2.waitKey(0)
cv2.destroyAllWindows()
解释
calcHist
函数:计算图像的直方图。参数说明:[image]
:输入图像,必须用方括号括起来。[0]
:使用的通道,灰度图为0。None
:没有使用掩码。[256]
:直方图的大小。[0, 256]
:像素值的范围。
compareHist
函数:比较两个直方图的相似度。常用的相似度度量方法包括:cv2.HISTCMP_CORREL
:相关性。cv2.HISTCMP_CHISQR
:卡方。cv2.HISTCMP_INTERSECT
:交集。cv2.HISTCMP_BHATTACHARYYA
:Bhattacharyya距离。
calcBackProject
函数:计算反向投影。反向投影用于在图像中查找与给定直方图相匹配的像素。参数说明:[hsv]
:输入图像,必须用方括号括起来。[0, 1]
:使用的通道。roi_hist
:感兴趣区域的直方图。[0, 180, 0, 256]
:像素值的范围。1
:缩放因子。
通过这些示例,可以看到如何使用OpenCV中的直方图函数来处理图像。根据具体的应用需求,可以灵活运用这些函数来实现图像的分析和处理任务。
三三、图像特征
在OpenCV中,图像特征检测和描述是计算机视觉中的一个重要领域,用于图像匹配、物体识别、图像拼接等任务。下面介绍一些常用的图像特征检测和描述算法及其使用示例。
像特征检测和描述算法 | |||
HOG(Histogram of Oriented Gradients) | LBP(Local Binary Patterns) | SIFT(Scale-Invariant Feature Transform) | SURF(Speeded-Up Robust Features) |
方向梯度直方图 | 局部二值模式 | 尺度不变特征变换 | 加速鲁棒特征 |
FAST(Features from Accelerated Segment Test) | ORB(Oriented FAST and Rotated BRIEF) | BRISK(Binary Robust Invariant Scalable Keypoints) | MSER(Maximally Stable Extremal Regions) |
加速分割测试特征 | 方向FAST和旋转BRIEF | 二进制鲁棒可扩展关键点 | 最大稳定极值区域 |
Star | BRIEF(Binary Robust Independent Elementary Features) | FREAK(Fast Retina Keypoint) | cornerHarris |
星形特征检测器 | 二进制鲁棒独立基本特征 | 快速视网膜关键点 | Harris角点检测 |
preCornerDetect | LineSegmentDetector | FastLineDetector | goodFeaturesToTrack |
预角点检测 | 线段检测器 | 快速线段检测器 | 检测好特征点 |
SIFT 特征检测和描述
import cv2
# 读取图像并转换为灰度图
image = cv2.imread('path_to_image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 初始化SIFT检测器
sift = cv2.SIFT_create()
# 检测SIFT特征点并计算描述子
keypoints, descriptors = sift.detectAndCompute(gray, None)
# 在图像上绘制特征点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
# 显示结果
cv2.imshow('SIFT Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()
ORB 特征检测和描述
# 初始化ORB检测器
orb = cv2.ORB_create()
# 检测ORB特征点并计算描述子
keypoints, descriptors = orb.detectAndCompute(gray, None)
# 在图像上绘制特征点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
# 显示结果
cv2.imshow('ORB Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()
Harris 角点检测
# Harris角点检测
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
# 结果通过阈值化标记角点
image[dst > 0.01 * dst.max()] = [0, 0, 255]
# 显示结果
cv2.imshow('Harris Corners', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
HOG 特征描述
# 初始化HOG描述子
hog = cv2.HOGDescriptor()
# 计算HOG描述子
hog_features = hog.compute(gray)
print("HOG Features:", hog_features)
解释
- HOG:用于特征描述,常用于行人检测等任务。
- LBP:用于纹理特征描述,适合纹理分析。
- SIFT和SURF:用于特征检测和描述,具有尺度和旋转不变性。
- FAST和ORB:用于快速特征检测和描述,ORB是基于FAST和BRIEF的改进。
- BRISK、MSER、Star、BRIEF、FREAK:用于特征检测和描述的不同算法。
- cornerHarris和preCornerDetect:用于角点检测。
- LineSegmentDetector和FastLineDetector:用于线段检测。
- goodFeaturesToTrack:用于检测图像中的好特征点。
通过这些示例代码,可以看到如何使用OpenCV中的各种图像特征检测和描述算法来处理图像。根据具体的应用需求,可以灵活运用这些算法来实现复杂的图像处理和分析任务。