OpenCV学习过程(5)

目录

1.图像金字塔

1.向下采样方法（缩小，沿着金字塔往上走）

2.向下采样方法（放大，沿着金字塔往下走）

​编辑

2.拉普拉斯金字塔

3.图像轮廓

代码演示：

绘制轮廓：

轮廓特征：

轮廓近似：

三角形：

边界矩形：

外接圆：

---

1.图像金字塔

• 高斯金字塔
• 拉普拉斯金字塔 

高斯金字塔：

1.向下采样方法（缩小，沿着金字塔往上走）

• 将图像与高斯内核进行卷积
• 将所有偶数行和列去除
• 归一化

2.向下采样方法（放大，沿着金字塔往下走）

1.  将图像在每个方向扩大为原来的两倍，新增的行和列以0填充
2. 使用先前同样的内核(乘以4)与放大后的图像卷积，获得近似值

代码实现过程：

读取一张图片：（图片在这里就不在展示）

import cv2 
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread("image/AM.png")
cv_show(img,'img')  #cv_show是我前面写过的一个函数
print (img.shape)

 (442, 340, 3)

上采样：

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

(884, 680, 3)

下采样：

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

(221, 170, 3)

因为我们在执行上采样和下采样的过程中，会有一些细节的损失（比如上采样过程中拿0填充，下采样减去了偶数的行和列），所以最后得到的图像是没有原图清晰的。

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

这样大家就可以看到右图是有一点模糊的了。

2.拉普拉斯金字塔

拉普拉斯金字塔就是原图减去一个先进行下采样再进行上采样的一张图片

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')

3.图像轮廓

cv2.findCountours(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;

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）。
- 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。

代码演示：

首先说一下二值图像

像素值在0~255，只有黑白两种颜色。

img = cv2.imread('image/car.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  #生成二值图像
"""阈值 127 设定了将像素值大于 127 的部分设为 255（白色），低于 127 的部分设为 0（黑色）。"""
#展示二值图像
cv_show(thresh,'thresh')

原图展示：

绘制轮廓：

#查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
#绘制轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)  #-1绘制所有轮廓，2表示线条的粗细
#如果-1变成0，则是绘制第一个轮廓
cv_show(res,'res')

轮廓特征：

#查找第一个轮廓
cnt = contours[0]
#面积
cv2.contourArea(cnt)
#周长，True表示闭合的
cv2.arcLength(cnt,True)

轮廓近似：

三角形：

import cv2

def cv_show(image, title='Image'):
    cv2.imshow(title, image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 读取图像
img = cv2.imread('image/contours2.png')

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 应用阈值处理
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

# 绘制原始轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res, 'Original Contour')

# 轮廓逼近
epsilon = 0.15 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)

# 绘制逼近后的轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res, 'Approximated Contour')

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')
#%%
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)

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')