|
（1）模板匹配： cv2.matchTemplate()；（2）圖像直方圖： cv2.calcHist(),；（3）圖像均衡化： cv2.equalizeHist(),；（4）自適應(yīng)均衡化： cv2.createCLAHE() 1. 模板匹配模板匹配和卷積的原理很像，模板在原圖像上從原點(diǎn)開始滑動(從左到右, 從上到下)，計算模板與（圖像被模板覆蓋的地方）的差別程度,，在opencv中計算差別程度有6種計算方法,。然后將每次計算結(jié)果放入一個矩陣?yán)铮鳛檩敵鼋Y(jié)果,。假如原圖形是A*B大小,，而模板是a*b大小，則輸出結(jié)果的矩陣大小是(A-a+1)*(B-b+1) 匹配方法： cv2.matchTemplate(img, templ, method) 參數(shù)：
在開始前我們先導(dǎo)入需要用的庫函和圖像,，定義一個圖像顯示函數(shù)，方便后續(xù)操作 import cv2import numpy as npimport matplotlib.pyplot as plt# 獲取圖片所在文件夾filepath = 'C:\\...\\opencv\\img'# 獲取文件夾中的某一張圖片,，0代表轉(zhuǎn)化灰度圖img = cv2.imread(filepath+'\\team.jpg',0)# 原圖上的一塊模板template = cv2.imread(filepath+'\\face.jpg',0)# 定義繪圖函數(shù)def cv_show(name,img): cv2.imshow(name,img) # 傳入自定義圖像名,，和圖像變量 cv2.waitKey(0) # 圖片不會自動消失 cv2.destroyWindow() # 手動關(guān)閉窗口# 顯示圖像cv_show('img',img)cv_show('face',template)我們需要在第一張圖img中找到模板face的位置，并把它框出來  1.1 匹配單個對象 模板在原圖像上移動時,，返回匹配度最高的一塊區(qū)域,。這里使用v2.TM_SQDIFF平方差計算方法，值越小代表匹配度越高,。res中保存所有的計算結(jié)果,，使用cv2.minMaxLoc()函數(shù)，獲取res中的最值及最值最在的坐標(biāo)位置,，最值坐標(biāo)是指左上角坐標(biāo)(x, y),，根據(jù)坐標(biāo)位置和模板的寬和高，可以在原圖像中畫出目標(biāo)所在位置,。x軸向右為正,，y軸向下為正，獲得目標(biāo)右下角坐標(biāo)(x+w, y+h),。注意在template.shape中提取模板尺寸的時候,，shape[0]保存的是高,，shape[1]保存的是寬。 左側(cè)是res的圖像是模板和整個圖像運(yùn)算后的結(jié)果,，右側(cè)框出來的是匹配度最高的圖像,，匹配正確  1.2 多目標(biāo)匹配 設(shè)定一個閾值，只要模板和圖像運(yùn)算后的結(jié)果大于這個閾值,，就將這個區(qū)域框出來,，不單單識別匹配度最高的，只要滿足給定的條件就行,。 在這里使用cv2.TM_SQDIFF_NORMED歸一化平方差來表明匹配度,，只要匹配度小于0.2，就將這個區(qū)域選出來,。使用np.where()函數(shù)來獲取所有滿足閾值條件的區(qū)域的左上角坐標(biāo)點(diǎn),，需要注意的是，獲取的坐標(biāo)點(diǎn)loc中依次保存的是高和寬,，即(y, x),，而我們在畫矩形框的時候需要的坐標(biāo)pt是(x, y)，因此需要把loc的坐標(biāo)順序翻轉(zhuǎn)一下,。得到左上角坐標(biāo)(x, y),，右下角坐標(biāo)(x+w, y+h) # 導(dǎo)入灰度圖img = cv2.imread(filepath+'\\team.jpg',0) # 原圖template = cv2.imread(filepath+'\\face.jpg',0) # 從原圖上取下的一塊h,w = template.shape # 獲取模板的高和寬# 圖像匹配,，使用歸一化相關(guān)系數(shù)res = cv2.matchTemplate(img,template,cv2.TM_SQDIFF_NORMED)# 設(shè)置閾值,，只要計算出的歸一化平方差小于0.2就把那一塊位置找出來threshold = 0.2loc = np.where(res<threshold) #輸出滿足條件的坐標(biāo)# 繪制所有的滿足匹配度的窗口# zip(*) 可理解為解壓，返回二維矩陣式,。loc中l(wèi)oc[0]是高,，loc[1]是寬，[::-1]表示倒序,。p[0]代表寬,，p[1]代表高for pt in zip(*loc[::-1]): bottom_loc = (pt[0]+w,pt[1]+h) cv2.rectangle(img,pt,bottom_loc,(0,0,255),1) # 參數(shù)：圖像，左上坐標(biāo),，右下坐標(biāo),，線條顏色，線條粗細(xì)# 繪圖cv2.imshow('img',img)cv2.waitKey(0)線條粗細(xì)代表匹配度,，中間的可能性最大,，(都是同一個人...)  2. 圖像直方圖 同樣,，我們先導(dǎo)入需要的庫，和圖像文件,，再定義一個圖像顯示函數(shù) 2.1 直方圖繪制 用于統(tǒng)計圖像上每個像素值出現(xiàn)的次數(shù)。 （1）方法1：使用matplot繪制直方圖 # 導(dǎo)入圖像img = cv2.imread(filepath+'\\mh.jpg',0) #0代表灰度圖 # 直方圖展示plt.hist(img.ravel(),256) #ravel將二維拉長成一維,，統(tǒng)計0-255每個像素值出現(xiàn)的個數(shù)plt.show()讀入的img是灰度圖,，只有兩個維度，將它變成一維統(tǒng)計像素值出現(xiàn)個數(shù),，設(shè)置range=[0,256]顧頭不顧尾,，對0-255每一個像素值計數(shù)。  （2）方法2：使用cv2.calcHist()函數(shù) cv2.calcHist(img, channels, mask, histsize, ranges)
下面對彩圖img進(jìn)行直方圖統(tǒng)計，不使用掩模,，分別統(tǒng)計圖像BGR三通道上的各個像素值出現(xiàn)了多少次,，使用折線圖繪制曲線。hist中保存的是每個通道每個像素值出現(xiàn)的次數(shù),。  2.2 掩模mask操作 掩模mask的大小和原圖像大小一致,。掩模中只有兩部分，0和255,，一部分為白色一部分為黑色,。掩模中白色部分覆蓋到的區(qū)域保留原圖,，黑色部分覆蓋到的區(qū)域置為0。 如果我們讀入的圖像時一張彩圖,，在構(gòu)建np數(shù)組時,，需要舍棄第三個維度，即通道,。保留前兩個維度img.shape[:2],，掩模的size和原圖像相同。由于mask是一個數(shù)組,，可以使用切片的方法將需要保留的位置變成白色255,。 使用圖像按位操作方法：cv2.bitwise_and(src1, src2, mask) src： 輸入圖像 mask：掩膜，用一副二值化圖片對另外一幅圖片進(jìn)行局部的遮 分別統(tǒng)計加了掩模和沒加掩模的圖像的像素點(diǎn)個數(shù)來對比,。 img = cv2.imread(filepath+'\\shandi.jpg',0)# 創(chuàng)建mask,，由于如果img是彩圖就是三維，舍棄通道取長和寬,，創(chuàng)建一個和img相同大小的maskmask = np.zeros(img.shape[:2],np.uint8) # 8位無符號整型,，0-255# 使用切片方法，將maks中的一部分變成255白色mask[200:700,200:700] = 255# 在圖像上覆蓋一層掩模masked_img = cv2.bitwise_and(img,img,mask=mask)# 直方圖統(tǒng)計hist_full = cv2.calcHist([img],[0],None,[256],[0,256]) # 無掩模hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256]) # 有掩模# 繪圖plt.subplot(221),plt.imshow(img,'gray') # 原圖,，繪制灰度圖,，不然顏色太雜plt.subplot(222),plt.imshow(mask,'gray') # 掩模圖plt.subplot(223),plt.imshow(masked_img,'gray') # 掩模覆蓋原圖plt.subplot(224),plt.plot(hist_full,label='non-mask'),plt.plot(hist_mask,label='masked') #像素值統(tǒng)計plt.legend()plt.tight_layout()plt.show() 3. 圖像均衡化圖像的直方圖是對圖像對比度效果上的一種處理，旨在使得圖像整體效果均勻,。原始圖像由于其灰度分布可能集中在較窄的區(qū)間,，造成圖像不夠清晰。通過改變圖像的直方圖,，來改變圖像中各像素的灰度,，用于增強(qiáng)局部的對比度而不影響整體的對比度。這種方法對于背景和前景都太亮或者太暗的圖像非常有用,。 直方圖均衡化的基本原理：對在圖像中像素個數(shù)多的灰度值（即對畫面起主要作用的灰度值）進(jìn)行展寬,，而對像素個數(shù)少的灰度值（即對畫面不起主要作用的灰度值）進(jìn)行歸并，從而增大對比度,，使圖像清晰,，達(dá)到增強(qiáng)的目的。 均衡化函數(shù)： cv2.equalizeHist(img) img：指需要均衡化的原圖像,，灰度圖像。返回值為均衡化后的圖像,。 3.1 對圖像整體進(jìn)行均衡化 左圖時原始圖像的像素直方圖,，右圖是均衡化后的像素直方圖   左圖為原始圖像,，右圖為均衡化之后的圖像。我們看出,，對整體均衡化之后會大致一下細(xì)節(jié)的丟失  3.2 自適應(yīng)均衡化 整幅圖像會被分成很多小塊,，然后再對每一個小塊分別進(jìn)行直方圖均衡化。缺點(diǎn)是：如果有噪聲的話,，噪聲會被放大,。為了避免這種情況的出現(xiàn)要使用對比度限制。對于每個小塊來說,，如果直方圖中的bin超過對比度的上限的話,，就把 其中的像素點(diǎn)均勻分散到其他 bins中，然后在進(jìn)行直方圖均衡化,。 cv.createCLAHE(clipLimit, tileGridSize) clipLimit： 顏色對比度限制,，默認(rèn)是40 tileGridSize： 進(jìn)行像素均衡化的網(wǎng)格大小，默認(rèn)為8*8 img = cv2.imread(filepath+'\\mh1.jpg',0)# 設(shè)置均衡化參數(shù),，對比度閾值為2,，網(wǎng)格為3*3clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(3,3))# 生成自適應(yīng)均衡化后的圖像res_clahe = clahe.apply(img)# 將三張圖象組合在一起看一下區(qū)別res = np.hstack((img,equ,res_clahe))cv_show('res',res)第一張是原圖，第二張是整體均衡化之后的圖像,，第三張是自適應(yīng)均衡化之后的圖像  |
|
|
