openCV (六) 图像金字塔与轮廓检测学习回顾记录

最新推荐文章于 2022-07-31 15:19:11 发布

深度菜鸡-达闻西

最新推荐文章于 2022-07-31 15:19:11 发布

阅读量285

点赞数

分类专栏： OpenCV 文章标签： opencv python

本文为博主所有，如有问题，联系本人，欢迎指正

本文链接：https://blog.csdn.net/qq_37405118/article/details/119979034

版权

OpenCV 专栏收录该内容

8 篇文章 2 订阅

订阅专栏

文章目录

一、图像金字塔
二、轮廓检测
三、模板匹配
- （i）单目标匹配
- （ii）多目标匹配

一、图像金字塔

在池化中，有一个金字塔池化，他们的意思都差不多，就是利用不同尺度大小的特征，而图像金字塔池化也是一样，对于一张图像而言，
尺寸越小，包含的信息越多，相应的分辨率也会大大减小，所以图像金字塔就是不同尺寸的相同图像。

在这里插入图片描述

（1）高斯金字塔

（i）高斯金字塔向下采样（下采样）[缩小]

下采样过程中，H、W 依次减小一半，面积相应的减小为原来的1/4。
1、使用高斯滤波器对图像进行平滑处理
2、将所有偶数行和列丢弃（h、w 减半）

语法：
down_img = cv2.pyrDown(img)

常见的高斯核3x3，5x5：
在这里插入图片描述

（ii）高斯金字塔向上采样（上采样）[放大]

1、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
2、使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值。

语法：
up_img = cv2.pyrUp(img)

（iii）代码示例

import cv2
import numpy as np

img = cv2.imread('lena1.jpg')

# 高斯金字塔向下采样（缩小）
down = cv2.pyrDown(img)

# 高斯金字塔向上采样（放大）
up = cv2.pyrUp(img)

def cv_show(img):
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyWindow()

cv_show(img)
cv_show(down)
cv_show(up) #太大了 不展示了

在这里插入图片描述

如果先下采样，在上采样，会不会恢复呢？

大小可以恢复，但是图像的真实度存在丢失，恢复不了。因为不管是下采样还是上采样，都存在着失真的过程。

在这里插入图片描述

（2）拉普拉斯金字塔

图像的拉普拉斯金字塔可以由图像的高斯金字塔得到，没有单独的函数。

公式：

$L_{i} = {G}_i - pyrUp(pyrDown(G_{i}))$
or
$L_{i} = {G}_i - pyrUp(G_{i+1})$
$G_{i+1} = pyrDown(G_{i})$

（i）代码示例

# 高斯金字塔向下采样（缩小）
down = cv2.pyrDown(img)

# 高斯金字塔向上采样（放大）
down_up = cv2.pyrUp(down)

l_img = img-down_up

cv_show(l_img)

在这里插入图片描述

二、轮廓检测

语法：
cv2.findContours(img,mode,method)

mode:轮廓检索模式
- cv2.RETR_EXTERNAL : 只检索最外面的轮廓；
- cv2.RETR_LIST		: 检索所有的轮廓，并将其保存到一条链表当中；
- cv2.RETR_CCOMP	: 检索所有的轮廓，并将他们组织为两层；顶层是各部门的外部边界，第二层是空洞的边界；
- cv2.RETR_TREE		: 检索所有的轮廓，并重构嵌套轮廓的整个层次； #常用

method：轮廓逼近方法
- cv2.CHAIN_APPROX_NONE   ：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）；
- cv2.CHAIN_APPROX_SIMPLE ：压缩水平的、垂直的和斜的部门，也就是函数只保留他们的终点部分；

# 1、图像处理  灰度图--->二值图   提高精度
img = cv2.imread('lena1.jpg')
gray_img = cv2.imread('lena1.jpg',cv2.IMREAD_GRAYSCALE)
ret,thresh = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY)

二值化图
在这里插入图片描述

# 2、寻找轮廓，并保存在相应的列表里边（contours）
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

（1）绘制轮廓

res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)

- draw_img : 在哪张图像中去画出轮廓；
- contours : 通过寻找轮廓得到的轮廓列表；
- -1，表示，把所有的轮廓都画上，当然也可以 指定 1，2，3，4等画第几个，一般都是 -1
- （0，0，255）代表用什么颜色去画轮廓；B、G、R
-  2，代表画出轮廓的粗细

# 3、 绘制轮廓

draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res)

在这里插入图片描述

#为了更高的准确率，使用二值图像
img = cv2.imread('img.png')
gray_img = cv2.imread('img.png',cv2.IMREAD_GRAYSCALE)
ret,thresh = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY)
#cv_show(thresh)

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

#绘制轮廓

draw_img = img.copy()
# -1，画出两个轮廓  可选 0,1
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res)

在这里插入图片描述

（2）轮廓特征

（1）面积

cnt = contours[0]

#面积
cv2.contourArea(cnt)

（2）周长

cnt = contours[0]

# 周长
cv2.arcLength(cnt,True)# True 代表闭环

（3）轮廓近似

在这里插入图片描述

img = cv2.imread('img.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

cnt = contours[1]
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,1,(0,0,255),2)
#cv_show(res)

epsilon = 0.09*cv2.arcLength(cnt,True)##给定阈值
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
res = cv2.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show(res)

在这里插入图片描述

（i）边界矩形

x,y,w,h = cv2.boundingRect()

- 返回四个值，分别是x，y，w，h；

- x，y是矩阵左上点的坐标，w，h是矩阵的宽和高

然后利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,0,255), 2)画出矩行

第一个参数：img是原图

第二个参数：（x，y）是矩阵的左上点坐标

第三个参数：（x+w，y+h）是矩阵的右下点坐标

第四个参数：（0,255,0）是画线对应的rgb颜色

第五个参数：2是所画的线的宽度


# 边界矩形

img = cv2.imread('img.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

cnt = contours[1]


draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,1,(0,0,255),2)

x,y,w,h = cv2.boundingRect(cnt)

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

在这里插入图片描述

# 轮廓面积和边界矩形面积比值
area = cv2.contourArea(cnt) # 计算轮廓面积
x,y,w,h = cv2.boundingRect(cnt) #得到矩形 w,h
rect_area = w*h
extent = float(area)/rect_area
print("轮廓面积和边界矩形面积比值：",extent)

#轮廓面积和边界矩形面积比值： 0.3365312107247591

（ii）外接圆

(x,y),radius = cv2.minEnclosingCircle(cnt)
 - （x,y）  圆心
 - radius  半径
 - cnt  轮廓（可以选取哪一个轮廓）
 
 img = cv2.circle(img,center,radius,(0,0,255),2)  画出圆

(x,y),radius = cv2.minEnclosingCircle(cnt) # 得到圆心和半径
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,0,255),2)
cv_show(img)

在这里插入图片描述

三、模板匹配

（i）单目标匹配

模板匹配和卷积原理很像，模板在原图像撒花姑娘从原点开始滑动，计算模板和（原图中被模板覆盖的地方）的差别程度，这个差别程度
的计算方法有6种，然后将每次计算的结果放入一个矩阵中，作为结果输出。假如原图像的大小为AXB,模板大小为 axb，则输出结果矩阵
为（A-a+1）x(B-b+1)。
语法：
res = cv2.matchTemplate(img,template,method)
- res ： 每个窗口的得到的结果值。相当于 那脸去整个人图像 滑动，没滑动一次，得到对应窗口的一个计算差别程度的值，
		根据计算方法的不同，选择最大或者最小的。

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

- minVal：最小值，可输入NULL表示不需要。
- maxVal ：最大值，可输入NULL表示不需要。
- minLoc：最小值的位置，可输入NULL表示不需要，Point类型。
- maxLoc：最大值的位置，可输入NULL表示不需要，Point类型。

计算差别程度（method）：
cv2.TM_SQDIFF ：计算平方不同，计算出来的值越小，越相关；
cv2.TM_CCORR  ：计算相关性，计算出来的值越大，越相关；
cv2.TM_CCOEFF  ：计算相关系数，计算出来的值越大，越相关；
cv2.TM_SQDIFF_NORMED ：计算归一化平方不同，计算出来的值越接近于0，越相关；
cv2.TM_CCORR_NORMED ：计算归一化相关性，计算出来的值越接近于1，越相关；
cv2.TM_CCOEFF_NORMED ：计算归一化相关系数，计算出来的值越接近于1，越相关；

# 1、首先读入 原始图像和要匹配的图
img = cv2.imread('lena1.jpg',0 )# 512,512
template = cv2.imread('face.jpg',0)  #186,157
h,w = template.shape[:2]
# res = cv2.matchTemplate(img,template,meth) #(327, 356)  512-186+1=327,512-157+1=356
    


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


for meth in range(len(method)):
    
    img2 = img.copy()
    # 匹配后的图像
    res = cv2.matchTemplate(img,template,meth) #(327, 356) 
    # 
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    if meth in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    # 检测框的 w,h
    bottom_right = (top_left[0]+w,top_left[1]+h) #得到 检测框的 w,h

    # 画矩形  (原图，(左顶点位置)，（框的w,h）,框颜色，宽度 )
    cv2.rectangle(img2,top_left,bottom_right,255,2)

    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(method[meth])
    plt.show()

在这里插入图片描述

（ii）多目标匹配

多个人脸，或者多个目标去匹配。

# 匹配多个对象
img = cv2.imread('most.jpg' )# 512,512
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
template = cv2.imread('face2.jpg',0)  #186,157
h,w = template.shape[:2]

result = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
#print(result)
threshold = 0.8

# 取匹配程度大于 80%的坐标
loc = np.where(result>=threshold)

for pt in zip(*loc[::-1]):
    #print(pt)
    bottom_right = (pt[0]+w,pt[1]+h)
    cv2.rectangle(img,pt,bottom_right,(0,0,255),1)

cv_show(img)

在这里插入图片描述

深度菜鸡-达闻西

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
openCV (六) 图像金字塔与轮廓检测学习回顾记录

文章目录一、图像金字塔（1）高斯金字塔（i）高斯金字塔向下采样（下采样）[缩小]（ii）高斯金字塔向上采样（上采样）[放大]（iii）代码示例（2）拉普拉斯金字塔（i）代码示例二、轮廓检测（1）绘制轮廓（2）轮廓特征（1）面积（2）周长（3）轮廓近似（i）边界矩形（ii）外接圆三、模板匹配（i）单目标匹配（ii）多目标匹配一、图像金字塔在池化中，有一个金字塔池化，他们的意思都差不多，就是利用不同尺度大小的特征，而图像金字塔池化也是一样，对于一张图像而言，尺寸越小，包含的信息越多，相应的分辨率也会大大
复制链接

扫一扫