图像金字塔&图像轮廓

高斯金字塔和拉普拉斯金字塔

图像金字塔，简单来说就是同一图像的不同分辨率的子图集合，把最大的图像放在底部，最小的放在顶部。

高斯金字塔的顶部图像中的每个像素值等于下一层图像中 5 个像素的高斯加权平均值，这样操作一次一个 MxN 的图像就变成了一个 M/2xN/2 的图像。这幅图像的面积就变为原来图像面积的四分之一，重复操作分辨率越低

---

使用函数  cv2.pyrDown(src , dst , dstsize ) 从一个高分辨率大尺寸的图像向上构建一个金子塔(尺寸变小,分辨率降低）

        src  输入图

        dst  输出图，深度会和来源图相同，尺寸会依输入图参数决定，

        dstsize   输出图的尺寸，通常，输出图的尺寸为: Size((src.cols+1)/2,(src.rows+1)/2) ）

   缩小图像方法原理：

        对图像G_i进行高斯内核卷积

        将所有偶数行和列去除

img = cv2.imread('op.jpg')
down1 =cv2.pyrDown(img)
down2 =cv2.pyrDown(down1)
cv2.imshow('down1',down1)
cv2.imshow('down2',down2)
cv2.imshow('img',img)

 缩小

---

使用函数  cv2.pyrUp(src ,dst , dstsize)  从一个低分辨率小尺寸的图像向下构建一个金子塔（尺寸变大，但分辨率不会增加）

        放大图像方法原理：

        将图像在每个方向扩大为原来的两倍，新增的行和列以0填充

        使用先前同样的内核(乘以4)与放大后的图像卷积，获得 “新增像素”的近似值

img = cv2.imread('op.jpg')
up =cv2.pyrUp(img)
cv2.imshow('up',up)
cv2.imshow('img',img)

---

拉普拉斯金字塔可以由高斯金字塔计算得来，公式如下：

L i = G i − PyrDown (PyrDown(Gi)   )     拉普拉金字塔的图像很多像素都是 0

---

img = cv2.imread('op.jpg')
down = cv2.pyrDown(img)
down_up =cv2.pyrUp(down)
la_l = img-down_up
cv2.imshow('la_l',la_l)

---

 图像轮廓

轮廓具有相同的颜色或者灰度。在形状分析和物体的检测和识别中很有用。

为了准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理或者 Canny 边界检测。

查找轮廓的函数会修改原始图像，因此应该提前copy一份

---

轮廓检测方法

使用函数 cv2.findContours( img ，mode，method)     

返回值：contours(轮廓）：是一个列表，里面存贮着图像中所有的轮廓，每一个轮廓都是一个numpy数组，包含对象边界点（x, y）的坐标）

        hierarchy：轮廓的层析结构

mode ：轮廓检索模式

        RETR_EXTENAL：只检索最外面的轮廓

        RETR_LIST：检索所有轮廓，并保存到一条链表中

        RETR_CCOMP：检索所有轮廓并分为两层，外层是各部分外部边界，内层是空洞边界

        RETR_TREE：检索所有轮廓，并重构嵌套轮廓的整个层次        （这个用最多）

method：轮廓逼近方法

        CHAIN_APPROX_NONE：所有的边界点都会被存储，以Freeman链码方式输出轮廓

        CHAIN_APPOX_SIMPLE：压缩轮廓，将轮廓上的冗余点都去掉，只保留终点部分

注：此函数会修改原图，需要copy一个副本。。 

---

轮廓检测结果

把轮廓绘画到图像上

使用函数cv2.drawContours(img, contours, -1, (0,0,255), 2)

传入绘制图像(副本）、轮廓、轮廓索引：-1为所有图像、颜色模式、线条粗细

img = cv2.imread('oc.jpg')
gray =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret ,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)

contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

img1 =img.copy()
res = cv2.drawContours(img1,contours,-1,(0,0,255),2)
cv2.imshow('img1',res)

---

 轮廓特征与近似

轮廓面积：使用函数 cv2.contourArea()

cnt = contours[-1]
area = cv2.contourArea(cnt)
print(area)

---

轮廓周长：使用函数 cv2.arcLength()

这个函数第二参数可以用来指定对象的形状是闭合的（True），还是打开的（一条曲线）

cnt = contours[-1]        #可以单独索引
perimeter = cv2.arcLength(cnt,True)
print(perimeter)

---

轮廓近似

将轮廓形状近似到由尽可能少的点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定

原理：

  使用函数 cv2.approxPolyDP(cnt,epsilon,True)

        cnt :传入轮廓

        epsilon :从原始轮廓到近似轮廓的最大距离，它是一个准确度参数（一般用周长的百分比）

     

img = cv2.imread('od.jpg')

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[-1]      #一个轮廓0就行，这里有其他微小轮廓用了-1
#绘制独立轮廓
img1 = img.copy()
img2 = img.copy()
img1 = cv2.drawContours(img1,[cnt],-1,(0,0,255),3)

epsilon = 0.01*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
img2 = cv2.drawContours(img2,[approx],-1,(0,0,255),3)

res = np.hstack((img1,img2))
cv2.imshow('img',res)

---

 边界矩形

使用函数:  cv2.boundingRect()        得到x ,y,w,h

        cv2.rectangle( img, (x,y), (x +w,y+h), (0,255,0),  2  )

        （ x，y）为矩形左上角的坐标，（w，h）是矩形的宽和高

x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

---

最小外接圆

使用函数 cv2.minEnclosingCircle()         找到最小外接圆（圆心，半径）

(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)