OpenCV-Python图像处理学习笔记（六）——轮廓检测（二）、模板匹配

熊仔阿大

已于 2023-08-25 15:51:50 修改

阅读量396

点赞数

分类专栏： opencv 文章标签： opencv 图像处理 python

于 2023-08-23 14:26:15 首次发布

本文链接：https://blog.csdn.net/weixin_57726558/article/details/132446784

版权

opencv 专栏收录该内容

7 篇文章 3 订阅

订阅专栏

本篇学习笔记主要涉及轮廓检测（二）、模板匹配等内容。

获取更多可以查看本栏目其他文章。

往期内容：

OpenCV-Python图像处理学习笔记（一）——认识、安装、环境测试

OpenCV-Python图像处理学习笔记（二）——图像/视频读取保存、分割及边界填充

OpenCV-Python图像处理学习笔记（三）——数值运算、图像阈值、图像平滑（滤波）

OpenCV-Python图像处理学习笔记（四）——形态学操作、图像梯度
 OpenCV-Python图像处理学习笔记（五）——Canny 边缘检测、图像金字塔、轮廓检测（一）

OpenCV-Python图像处理学习笔记（六）——轮廓检测（二）、模板匹配
 OpenCV-Python图像处理学习笔记（七）——直方图、图像变换

1 图像轮廓检测（接上篇内容）：轮廓的性质

导入必要Python包

import cv2
import numpy as np
import matplotlib.pyplot as plt

1 图像轮廓检测（接上篇内容）：轮廓的性质

关于轮廓性质更详细内容可参考：mathworks.com

1.1 边界矩形的宽高比

$Aspect Ration =\frac{Width}{Height}$

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

1.2 轮廓面积与边界矩形面积的比

$Extent =\frac{Object Area}{ Bounding Rectangle Area}$

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

# 边界矩形面积
rect_area = w * h
extent = float(area) / rect_area

1.3 轮廓面积与凸包面积的比

$Solidity =\frac{Contour Area}{ Convex Hull Area}$

area = cv2.contourArea(cnt)

# 凸包
hull = cv2.convexHull(cnt)

# 凸包面积
hull_area = cv2.contourArea(hull)
solidity = float(area) / hull_area

1.4 与轮廓面积相等的圆形的直径

$Equivalent Diameter =\sqrt{\frac{4\times Contour Area}{\pi }}$

area = cv2.contourArea(cnt)
equi_diameter = np.sqrt(4 * area / np.pi)

1.5 对象的方向

# 返回长轴和短轴的长度
(x, y), (MA, ma), angle = cv2.fitEllipse(cnt)

1.6 掩模和像素点

mask = np.zeros(imgray.shape, np.uint8)

# 这里一定要使用参数-1, 绘制填充的的轮廓
cv2.drawContours(mask, [cnt], 0, 255, -1)

pixelpoints = np.transpose(np.nonzero(mask))

1.7 最大值和最小值及它们的位置

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(imgray, mask = mask)

1.8 平均颜色及平均灰度

mean_val = cv2.mean(im, mask = mask)

1.9 极点

一个对象最上面，最下面，最左边，最右边的点。

leftmost = tuple(cnt[cnt[:, :, 0].argmin()][0])
rightmost = tuple(cnt[cnt[:, :, 0].argmax()][0])
topmost = tuple(cnt[cnt[:, :, 1].argmin()][0])
bottommost = tuple(cnt[cnt[:, :, 1].argmax()][0])

如下图所示：

1.10 凸缺陷

对象上的任何凹陷都被成为凸缺陷。函数 cv.convexityDefect() 可以找到凸缺陷。

hull = cv2.convexHull(cnt, returnPoints = False)
defects = cv2.convexityDefects(cnt, hull)

返回一个数组，其中每一行包含的值是 [起点，终点，最远的点，到最远点的近似距离]。

1.11 形状匹配

函数 cv2.matchShape() 可以比较两个形状或轮廓的相似度。如果返回值越小，匹配越好。它是根据 Hu 矩来计算的.

ret, thresh = cv2.threshold(img1, 127, 255, 0)
ret, thresh2 = cv2.threshold(img2, 127, 255, 0)

contours, hierarchy = cv2.findContours(thresh, 2, 1)
cnt1 = contours[0]
contours, hierarchy = cv2.findContours(thresh2, 2, 1)
cnt2 = contours[0]

ret = cv2.matchShapes(cnt1, cnt2, 1, 0.0)

得到的结果是：

A 与自己匹配 0.0
A 与 B 匹配 0.001946
A 与 C 匹配 0.326911

2 模板匹配

2.1 单一模板匹配

模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。函数 cv2.matchTemplate() 可以查找模板位置。和 2D 卷积一样，它也是用模板图像在输入图像（大图）上滑动，并在每一个位置对模板图像和与其对应的输入图像的子区域进行比较。

如果输入图像的大小是（WxH），模板的大小是（wxh），输出的结果的大小就是（W-w+1，H-h+1）。当得到这幅图之后，就可以使用函数 cv2.minMaxLoc() 来找到其中的最小值和最大值的位置了。第一个值为矩形左上角的点（位置），（w，h）为模板矩形的宽和高。这个矩形就是找到的模板区域了。

如上两张图，左侧是模板，需要在右侧图像中找到对应的模板图像，可以通过以下代码：

res = cv2.matchTemplate(img, template, method)
'''
image：原图
template：用于匹配的样章
method：原图与样章匹配效果的判别标准，参考链接：TemplateMatchModes
result：输出图片
mask：template的遮罩
'''

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

其中method 有如下几种：

CV_TM_SQDIFF：平方差匹配法；
CV_TM_SQDIFF_NORMED：归一化平方差匹配法；
CV_TM_CCORR：相关匹配法；
CV_TM_CCORR_NORMED：归一化相关匹配法；
CV_TM_CCOEFF：系数匹配法；
CV_TM_CCOEFF_NORMED：化相关系数匹配法

分别对应公式如下：

完整模板匹配代码如下：

img = cv2.imread('.jpg', 0)
img2 = img.copy()
template = cv2.imread('.jpg', 0)
w, h = template.shape[::-1]

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

for meth in methods:
    img = img2.copy()

    # exec 语句用来执行储存在字符串或文件中的 Python 语句。
    # 例如，我们可以在运行时生成一个包含 Python 代码的字符串，然后使用 exec 语句执行这些语句。
    # eval 语句用来计算存储在字符串中的有效 Python 表达式
    method = eval(meth)

    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 使用不同的比较方法，对结果的解释不同
    # 如果 method 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)
    
    # 绘制矩形
    cv2.rectangle(img,top_left, bottom_right, 255, 2)

    plt.subplot(121)
    plt.imshow(res, cmap = 'gray')
    plt.title('Matching Result')
    plt.xticks([])
    plt.yticks([])

    plt.subplot(122)
    plt.imshow(img, cmap = 'gray')
    plt.title('Detected Point')
    plt.xticks([])
    plt.yticks([])

    plt.suptitle(meth)
    plt.show()

结果如下：

cv2.TM_CCOEFF

cv2.TM_CCOEFF_NORMED

cv2.TM_CCORR

cv2.TM_CCORR_NORMED

cv2.TM_SQDIFF

cv2.TM_SQDIFF_NORMED

2.2 多模板匹配

与单模板基本一致，在计算各种目标框后，选取大于给定阈值的目标即可。

img_rgb = cv2.imread('.png')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('', 0)
w, h = template.shape[::-1]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8

# 取匹配程度大于0.8的坐标
loc = np.where( res >= threshold)
for pt in zip(*loc[::-1]):
    cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2)

cv2.imwrite('res.png', img_rgb)

案例结果如下：