06图像金字塔

最新推荐文章于 2022-04-12 16:49:59 发布

weixin_44864919

最新推荐文章于 2022-04-12 16:49:59 发布

阅读量103

点赞数

分类专栏： python 文章标签： opencv 计算机视觉边缘检测图像识别

本文链接：https://blog.csdn.net/weixin_44864919/article/details/113360127

版权

python 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

6.1高斯金字塔

6.1.1高斯金字塔：向下采样方法（缩小）

6.1.2高斯金字塔：向上采样方法（放大）

4.高斯金字塔-先上采样再下采样（会损失信息-变模糊）

6.1高斯金字塔

6.1.1高斯金字塔：向下采样方法（缩小）

从底到尖

6.1.2高斯金字塔：向上采样方法（放大）

从尖到底

6.1.3测试

1.原图

img_1 = cv2.imread('AM.png')
cv_show(img_1, 'img')
print(img_1.shape)

(442, 340, 3)

2.向下采样方法（缩小）

down = cv2.pyrDown(img_1)
cv_show(down, 'down')
print(down.shape)

(221, 170, 3)

图片显示很大

3. 向上采样方法（放大）

up = cv2.pyrUp(img_1)
cv_show(up, 'up')
print(up.shape)

(884, 680, 3)

图片显示很小

4.高斯金字塔-先上采样再下采样（会损失信息-变模糊）

up = cv2.pyrUp(img_1)
up_down = cv2.pyrDown(up)
# cv_show(up_down,'up_down')
cv_show(np.hstack((img_1, up_down)), 'up_down')

右图更加模糊

6.2拉普拉斯金字塔

import cv2


# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()


img = cv2.imread("AM.png")
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l_1 = img - down_up
cv_show(l_1, 'l_1')

6.3图像轮廓

（不是很重要）

cv2.findContours(img,mode,method)

mode:轮廓检索模式

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

method:轮廓逼近方法

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）。（矩形四个边）
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。（矩形四个点）

6.3.1为提高准确性，使用二值图像。

import cv2
import numpy as np

# 读入图像转换为二值图像
img = cv2.imread('car.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 转换成二值图
# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()


cv_show(thresh,'thresh')

让我们能够更好地进行边缘检测，一定要进行这一步的代码

6.3.2轮廓绘制

# 轮廓检测  第一个就是二值的结果  第二个是一堆轮廓点  第三个是层级
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

轮廓信息存在contours中，接下来要绘制轮廓

# 绘制轮廓
draw_img = img.copy()  # 注意需要copy,要不原图会变。。。
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)  # 传入绘制图像，轮廓，轮廓索引(-1全部)，颜色模式，线条厚度
cv_show(res,'res')

注意需要copy,要不原图会变，不能用=，draw_img=img还是指img，会影响原图

cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) # 传入绘制图像，轮廓，轮廓索引(-1全部)，颜色模式，线条

6.3.3轮廓特征

cnt = contours[0]  # 获取轮廓
print(cv2.contourArea(cnt))  # 计算面积
print(cv2.arcLength(cnt, True))  # 计算周长，True表示闭合的

6.3.4轮廓近似

import cv2

img = cv2.imread('contours2.png')


# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()


# 二值+轮廓检测
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[0]
# 轮廓绘制
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')

# 轮廓近似
epsilon = 0.05 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)

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

6.3.4.1边界矩形

# *******************图像轮廓-边界矩形**********************开始
import cv2


# 显示图像函数
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()


img = cv2.imread('contours.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[0]

# 边界矩形
x, y, w, h = cv2.boundingRect(cnt)
img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv_show(img, 'img')
# 轮廓面积与边界矩形比
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print('轮廓面积与边界矩形比', extent)
# *******************图像轮廓-边界矩形**********************结束

轮廓面积与边界矩形比 0.5154317244724715

6.3.4.2外接圆

# 外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')

6.4模板匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
TM_CCORR：计算相关性，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

6.4.1单一匹配

公式：https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d

import cv2
import matplotlib.pyplot as plt  # Matplotlib是RGB

# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2]

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    print(method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配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)

    # 画矩形
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

可以看出_NORMED的辨识度高一点

6.4.2匹配多个对象

import cv2
import numpy as np
img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

原图：

匹配超级玛丽的金币

weixin_44864919

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
06图像金字塔

目录6.1高斯金字塔6.1.1高斯金字塔：向下采样方法（缩小）6.1.2高斯金字塔：向上采样方法（放大）6.1.3测试1.原图2.向下采样方法（缩小）3.向上采样方法（放大）4.高斯金字塔-先上采样再下采样（会损失信息-变模糊）6.2拉普拉斯金字塔6.1高斯金字塔6.1.1高斯金字塔：向下采样方法（缩小）从底到尖6.1.2高斯金字塔：向上采样方法（放大）从尖到底6.1.3测试1.原图img_1 = cv2.imread(..
复制链接

扫一扫