计算机视觉11-轮廓绘制、特征、近似；模板匹配

目录

1.轮廓绘制

2.轮廓特征

3.轮廓近似

3.1近似

3.2外接矩形

3.3外接圆

4.模板匹配

4.1单个对象匹配

4.2多个对象匹配

---

 前提准备：调用相应的库，包括cv2，matplotlib,numpy

1.轮廓绘制

 读入的原图为：ppt自己手动画的，很难百度出满意的图。后面涉及到轮廓的一些信息读取，建议在这一步采用一些恶比较简单的图形。

img=cv2.imread('F:D.PNG')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)

↑读入图片-灰度处理-二值化处理

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

↑ 读取到的两个参数的意思分别是：轮廓点的信息-list结构；层级信息

draw_img=img.copy()

↑原图复制一份，待会画轮廓将在复制出来的图片上画。如果不复制，直接会将轮廓画在原图上，这样的话如果后面还需要用到原图，而原图却被改变（附加了自己画的轮廓） 

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

↑ cv2.drawContours（）里面四个参数分别是：在哪副图轮廓；轮廓信息；所有的轮廓显示哪一个（-1代表图片中所有元素的轮廓）；轮廓的颜色；轮廓的粗细

用cv2.imshow()函数显示运行效果：

cv2.drawContours（）函数第三个参数为-1时，所有轮廓都画出来了

当cv2.drawContours（）第三个参数为0，1，2，3时的效果图：

 

 

2.轮廓特征

cnt=contours[3]
area=cv2.contourArea(cnt)
length=cv2.arcLength(cnt,True)#true代表封闭
print(area)
print(length)

↑congtour[3]表示：取的是cv2.drawContours（）函数第三个参数取3的图形的轮廓的信息，这里具体是哪个图形的轮廓不能主观臆断，需要代码运行一下看到底是哪一个。这幅图参数为3时对应的是圆的轮廓。

cnt=contours[]这一步是必须的，每次都要申明自己在哪个轮廓上操作。

cv2.contourArea(cnt)是轮廓的面积，cv2.arcLength(cnt,True)是轮廓的周长，运行结果如下：

 

3.轮廓近似

读入的图片为：

↑为了显示取近似时参数的作用，尽量选取这种凹凸有致的图形，上图是用PPT绘制。 

3.1近似

img=cv2.imread('F:ddd.png')
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)

↑以上为准备工作，过程和轮廓绘制完全一致，即读入图片、灰度处理、二值化处理、 cv2.findContours（）函数提取轮廓信息

draw_img=img.copy()
cnt=contours[-1]

↑ 原图复制，此后的工作都是在draw_img这幅图上而不是img这幅图；cnt为-1即图像的全部元素的轮廓，这幅图就一个元素。

#参照值：决定是否将一段曲线近为直线
epsilon=0.1*cv2.arcLength(cnt,True)
#近似轮廓
approx=cv2.approxPolyDP(cnt,epsilon,True)
#将近似出来的轮廓画在复制出来的图片上
res=cv2.drawContours(draw_img,[approx],-1,(0,0,255),1)

当式中的自变量分别取0.001，0.01，0.1，0.15时，近似出来的轮廓效果如下：

 

3.2外接矩形

依然是3.1节轮廓近似的图片

cnt=contours[-1]
#确定矩形边界
x,y,w,h=cv2.boundingRect(cnt)
draw_img=img.copy()
#在复制的图中画出矩形边界，左上角开始画
res=cv2.rectangle(draw_img,(x,y),(x+w,y+h),(0,0,255),2)

运行结果：

 

3.3外接圆

#确定圆心及半径
(x,y),radius=cv2.minEnclosingCircle(cnt)
center=(int(x),int(y))
radius=int(radius)
draw_img=img.copy()
#复制的图层上画外接圆
img=cv2.circle(draw_img,center,radius,(0,255,0),2)

效果如下：

 Orz，图片有点小，画的圆出界了。

4.模板匹配

4.1单个对象匹配

读入库，读入原图并灰度处理，读入匹配模板-灰度图格式。模板大小无所谓，只要是在原图上截下来的就成。原图和模板为：

 

h,w=face.shape
print(h,w)

↑确定模板的高和宽，为后面确定好对象之后画矩形框框起来

res=cv2.matchTemplate(img,face,cv2.TM_SQDIFF_NORMED)
min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(res)

↑ cv2.matchTemplate()是一个匹配函数，匹配的是输入的img.jpg图片和face.jpg模板，匹配的方式是cv2.TM_SQDIFF_NORMED，即方差并归一化。

↑每次匹配时都是一个一个像素点移动，因此有超级多匹配信息，用cv2.minMaxLoc(res)函数将匹配结果中value值最小和最大的那个信息提取出来。具体可以提取出来最大最小匹配结果值和此时的位置。对于平方差处理方式来说，匹配结果越小，说明两者差异越小。
 

top_left=min_loc
Tm=cv2.rectangle(img, (top_left[0],top_left[1]), (top_left[0] + w,top_left[1] + h), (0, 0, 255), 1)

↑此时应该取得点应该是min_loc,这个点在匹配的位置的左上角，再根据模板的大小在原图上画出矩形，以此作为匹配结果。

几种常见的匹配方式处理结果如下图所示：

4.2多个对象匹配

img=cv2.imread('F:T.jpg')
img1=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
template=cv2.imread('F:T1.jpg',0)
h,w=template.shape

↑读入库（代码中未呈现），读入图片并灰度处理，读入模板并灰度处理，读出模板的高和宽

 读入的原图和模板为：

res=cv2.matchTemplate(img1,template,cv2.TM_CCOEFF_NORMED)

↑匹配函数

threshold=0.8
img2=img.copy()
loc=np.where(res>=threshold)
for pt in zip(*loc[::-1]):
    cv2.rectangle(img2,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)

↑cv2.TM_CCOEFF_NORMED匹配方式，匹配值越大越接近。当大于阈值时，就认为匹配的对象是合格的，和模板是一致的，将之用和模板一样大的矩形框框起来。

匹配结果如下：