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
目录
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
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
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
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
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:
3 小结
下期将继续同步OpenCV图像直方图、图像变换等部分内容。