openCV 图像基本操作（三）

#!/usr/bin/env python
# coding: utf-8

# # 1、直方图
# #### 1、直方图均衡化
# #### 2、自适应直方图均衡化
# # 2、模板匹配

# In[1]:


import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
get_ipython().run_line_magic('matplotlib', 'inline')


# In[2]:


def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()


# ### 直方图

# ![title](hist_1.png)

# #### cv2.calcHist(images,channels,mask,histSize,ranges)
# 
# - images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
# - channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。 
# - mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
# - histSize:BIN 的数目。也应用中括号括来
# - ranges: 像素值范围常为 [0256] 

# In[3]:


img = cv2.imread('cat.jpg',0) #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])    # img参数必须加上一层中括号
hist.shape


# In[4]:


plt.hist(img.ravel(),256); 
plt.show()


# In[5]:


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]) 


# mask操作

# In[6]:


# 创建mast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show(mask,'mask')


# In[7]:


img = cv2.imread('cat.jpg', 0)
cv_show(img,'img')


# In[8]:


masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作
cv_show(masked_img,'masked_img')


# In[9]:


hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])


# In[10]:


plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()


# #### 直方图均衡化（其核心思想就是求得各个像素值出现的累积概率，然后在将累积映射到255）

# ![title](hist_2.png)

# ![title](hist_3.png)

# ![title](hist_4.png)

# In[11]:


img = cv2.imread('clahe.jpg',0) #0表示灰度图 #clahe
plt.hist(img.ravel(),256); 
plt.show()


# #### 原始图像
# ![title](clahe.jpg)

# In[12]:


equ = cv2.equalizeHist(img) 
plt.hist(equ.ravel(),256)
plt.show()


# In[13]:


res = np.hstack((img,equ))
cv_show(res,'res')
cv2.imwrite("res.png",res)


# #### 原始图像与直方图均衡化后的结果对比
# ![title](res.png)

# #### 自适应直方图均衡化

# In[14]:


clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))   # 生成自适应的方法


# In[15]:


res_clahe = clahe.apply(img)  # 把当前的自适应方法应用到数据图像当中
res = np.hstack((img,equ,res_clahe))
cv_show(res,'res')
cv2.imwrite("res_1.png",res)


# ![title](res_1.png)

# ### 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。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

# In[16]:


# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2] 


# In[17]:


img.shape


# In[18]:


template.shape


# - 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
# 
# 

# 公式：https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d

# In[19]:


methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']


# In[20]:


res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape


# In[21]:


min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)   # 输出分别为：最小值、最大值、最小值所在位置、最大值所在位置


# In[22]:


min_val


# In[23]:


max_val


# In[24]:


min_loc


# In[25]:


max_loc


# In[26]:


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
    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

# In[27]:


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)   # 其使用相关性系数进行比较的，值越接近于1，越相似
threshold = 0.8
# 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.imwrite("./img_rgb.png",img_rgb)
cv2.waitKey()
cv2.destroyAllWindows()


# #### 原始图像
# ![title](mario.jpg)
# #### 模板图像
# ![title](mario_coin.jpg)
# #### 效果展示：
# ![title](img_rgb.png)

# 

# In[ ]: