Opencv学习笔记（三）-----Canny边缘检测和模板匹配

前言

本文介绍了Canny检测和模板匹配的方法以及代码示例和效果图对比

一、Canny边缘检测

• Canny函数常用用法：edge = cv2.Canny(image, threshold1, threshold2)

  参数image：是需要处理的原图像，该图像必须为单通道的灰度图；

  参数threshold1：阈值1；

  参数threshold2：阈值2；

其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。

四组不同的边界阈值的对比效果图，代码如下：

# -*- coding: utf-8 -*-
import numpy as np
import cv2
def cv_show(img,name,writename):
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
img = cv2.imread('lena.jpg',0)
# 指定的边界越小检测得越详细
v1 = cv2.Canny(img,100,200)
v2 = cv2.Canny(img,40,200)
v3 = cv2.Canny(img,40,100)
v4 = cv2.Canny(img,20,50)
# 对比四组不同的边界阈值的处理效果
res = np.hstack((v1,v2,v3,v4))
cv_show(res,'res','res.jpg')

二、模板匹配

使用模板在图像中查找目标，找到原图中模板的坐标，根据模板的大小可以框出原图中模板位置；

2.1函数说明

• 函数res = cv2.matchTemplate(img,template,method):

  参数img:待匹配的图像(原图)

  参数temple:搜索模板,需要和原图一样的数据类型且尺寸不能大于原图像

  参数method:指定匹配方法,有如下几种:

  • ​ CV_TM_CCOEFF:计算相关系数，计算的值越大，越相关；

  • ​ CV_TM_CCOEFF_NORMED:归一化相关系数匹配法，计算的值越接近1，越相关；

  • ​ CV_TM_CCORR:计算相关性，计算的值越大，越相关；

  • ​ CV_TM_CCORR_NORMED:计算归一化相关性，计算的值越接近1，越相关；

  • ​ CV_TM_SQDIFF:计算平方差，计算的值越小，越相关；

  • ​ CV_TM_SQDIFF_NORMED:计算归一化平方差，计算的值越接近0，越相关；

• 函数min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)：

  参数res为cv2.matchTemplate处理后得到的矩阵；

  返回值为图像中模板的最小值和最大值和对应位置；

2.2匹配步骤

第一步：读入原图片和模板图片的灰度图；

第二步：使用cv2.matchtemplate(img, template, method) 设置匹配方法进行模板匹配，获得大量的结果；

第三步：使用min_val, max_val, min_loc, max_loc = cv2.minMaxLoc() 找出最大值数所在的位置；

第四步：使用cv2.rectangle() 画框操作；

2.3模板匹配六种模式对比

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

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

# 读取原始图像
img = cv2.imread('lena.jpg ',0)
# 读取模板图像
template = cv2.imread('modle.png',0)
# 获取模板高h和长w
h = template.shape[0]
w = template.shape[1]
methods =['cv2.TM_CCOEFF','cv2.TM_CCOEFF_NORMED','cv2.TM_CCORR','cv2.TM_CCORR_NORMED','cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED']
png = '.png'
for meth in methods:
    #复制原图，因为在做处理时会修改原图
    img2 = img.copy()
    #匹配方法的真值
    method = eval(meth)
    #模板匹配方法设置
    res = cv2.matchTemplate(img, template, method)
    # 获取图像中最小值和最大值的位置
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    #如果是平方差匹配cv2.TM_SQDIFF或归一化平方差匹配到cv2.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)
    # 在原图中画模板位置矩形
    cv2.rectangle(img2,top_left,bottom_right,255,2)
	#每张图的保存名称
    endname = meth + png
    plt.subplot(121),plt.imshow(res,cmap='gray')
    plt.xticks([]),plt.yticks([])
    plt.subplot(122),plt.imshow(img2, cmap='gray')
    plt.xticks([]),plt.yticks([])
    plt.suptitle(meth)
    #保存每张图
    plt.savefig(endname)
    plt.show()

三、多模板匹配

多模板匹配使用的是一个阈值，当大于这个阈值时，我们认为已经获得一个模板的匹配值，而cv2.matchTemplate匹配出的res是不同匹配方法得到的矩阵；

第一步：读入图片原图片和模板并进行灰度化；

第二步：匹配模板，获得res；

第三步：使用np.where(res>0.8) 筛选合适的位置;

第四步：使用loc[::-1]将位置进行调换，使用*loc[::-1]使得矩阵发生拆分，使用zip进行两两组合；

第五步：使用cv2.rectangle画多个矩阵并展示；

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

# 读取原始图像
img = cv2.imread('mario.jpg')
# 对图像进行二值化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 读取模板图像
template = cv2.imread('mario_coin.jpg',0)
# 获取模板高h和长w的范围
h,w = template.shape[:2]
# 设定匹配方法
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCORR_NORMED)  #
threshold = 0.8
# 获取匹配程序大于0.8的坐标
loc = np.where(res >=threshold)
# 开始匹配
for pt in zip(*loc[::-1]):#*表示可选参数
    bottom_right = (pt[0] + w,pt[1]+ h )
    cv2.rectangle(img,pt,bottom_right,(0,0,255),2)
cv2.imshow('img', img)
cv2.waitKey()
cv2.imwrite('mario_end.png', img)
cv2.destroyAllWindows()

总结

小白在学习OpenCV过程中的学习笔记，可能理解的不到位，若有不对之处请指正。