OpenCV图像处理技术（Python）——模板匹配与霍夫变换

OpenCV图像处理技术（Python）——模板匹配与霍夫变换
© Fu Xianjun. All Rights Reserved.

---

前言

经过了两次图像轮廓的学习，我们今天就要踏入模板匹配与霍夫变换的学习了。

---

学习目标

1.能够理解模板匹配的概念
2.能够使用模板匹配实现目标检测
3.能够理解霍夫变换的概念
4.能够根据场景使用霍夫变换

学习内容

一、模板匹配

1.模板匹配的概念

导包代码：

import cv2
import numpy as np
#Matplotlib是RGB
import matplotlib.pyplot as plt
%matplotlib inline 

#定义显示图片的函数,避免重复代码
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()

2.模板匹配的实现过程

3.模板匹配的函数使用

4.模板匹配的示例应用

1.读取模板图片

#读取模板图片
template = cv2.imread("lena_eye.jpg")
cv_show("template",template)

2.读取检测图片

img = cv2.imread("lena.jpg")
cv_show("img", img)

3.获取模板的大小

#获取到我们模板的大小h,w
h, w = template.shape[:2]

4.进行匹配

#开始模板匹配过程(采用计算归一化平方不同,计算值越接近0,越相关)
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = min_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
#画出检测到的部分
imgcpy = img.copy()
cv2.rectangle(imgcpy, top_left, bottom_right, 255, 2)
#因为matplotlib显示为RGB图像，做一次色彩空间空间转换
imgcpy = cv2.cvtColor(imgcpy, cv2.COLOR_BGR2RGB)
plt.imshow(imgcpy, cmap='gray')

二、霍夫变换

1.霍夫变换的概念

霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，来检测任意能够用数学公式表达的形状，即使这个形状被破坏或者有点扭曲。
霍夫变换将图像空间转变为参数空间，在参数空间中执行投票来决定物体的形状。

2.霍夫变换的函数

3.霍夫变换案例解读

1.HoughLines

import cv2
import numpy as np

img = cv2.imread("shape.png")
# 1.轮廓检测算法检测出轮廓
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)

# 2.投射到Hough空间进行形状检测
# 任何一条线都可以用(ρ，θ)这两个术语表示。
# 1）先定义一个累加器，(ρ，θ)对应直线，ρ和θ都分别依次增大(根据精度)，计算每对(ρ，θ)的投票数。
#    其中，ρ以像素为单位，θ以弧度为单位。rho和theta是ρ和θ的精度。
# 2）然后，根据threshold(阈值，最低投票数)来判断是否归为一条直线
lines = cv2.HoughLines(edges, 1, np.pi / 180, 50)

# 画线
for line in lines:
    rho, theta = line[0]
    a = numpy.cos(theta)
    b = numpy.sin(theta)
    x0 = rho * a
    y0 = rho * b
    x1 = int(x0 + 1000 * (-b))                  #这里的1000是为了求延长线，其他数值也可以
    y1 = int(y0 + 1000 * a)
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * a)
    # 画线
    cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

cv2.imshow("img", img)
cv2.imshow("gray", gray)
cv2.imshow("edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

以下是运行结果：


2.HoughLinesP

import cv2
import numpy as np

img = cv2.imread("shape.png")
# 1.轮廓检测算法检测出轮廓
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)

minLineLength = 10
maxLineGap = 30
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 10,minLineLength,maxLineGap)

# 画线
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

cv2.imshow("img", img)
cv2.imshow("gray", gray)
cv2.imshow("edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

以下是运行结果：



3.HoughCircles

import cv2
import numpy as np

img = cv2.imread("shape.png")

# 1.轮廓检测算法检测出轮廓
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 100)

# 2.投射到Hough空间进行形状检测
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 30,\
                           param1=40, param2=20, minRadius=5, maxRadius=100)

# 画圆
if not circles is None:
    # 转换为int
    circles = np.uint16(numpy.around(circles))
    for circle in circles:
        x, y, r = circle[0]
        # 画圆
        cv2.circle(img, (x, y), r, (0, 0, 255), 2)

cv2.imshow("gray", gray)
cv2.imshow("edges", edges)
cv2.imshow("img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

以下是运行结果：

总结

今天的模板匹配与霍夫变换就学习到这里了，相信以兄弟们聪明的小脑瓜儿一定已经学会了。加油！