目录
- 1.图像金字塔
- ①高斯金字塔
- ②拉普拉斯金字塔
- 2.图像轮廓
- ①寻找轮廓
- ②轮廓特征
- ③轮廓绘制
- 3.模板匹配
- ①模板匹配
- ②匹配框线绘制
- ③多对象匹配
- 4.直方图统计
- ①直方图绘制
- ②直方图统计
- ③直方图的mask操作
- ④直方图均衡化
- 5.傅里叶变换
1.图像金字塔
①高斯金字塔
向下采样，数据会越来越少，减少的方式是：将偶数行和列删除
向上采样，数据会越来越多，将图像在每个方向上扩大为原来的两倍，新增的行和列用0来填充。使用先前同样的内核与放大后的图像卷积，获得近似值。
上采样之后，图片会变大。
下采样后，图片会变小。
②拉普拉斯金字塔
对于原始图像，先执行下采样，再执行上采样，并用原始图像减去得到的采样结果。
以上的计算方式为1层，第二层的计算，把第一层得到的结果作为原始图像进行计算。
2.图像轮廓
cv.findcontours(img,mode,method)
最常用的mode：
retr_tree，检测所有的轮廓，并重构嵌套轮廓的整个层次
最常用的method：
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。
①寻找轮廓
函数返回的第一个参数contours就是我们所需要的轮廓信息。它是一个列表的形式。每一个元素都是数组形式。一个图像中可能有多个轮廓，并且会有外轮廓以及内轮廓，均可通过返回的contours调用。
②轮廓特征
通过调用不同的函数可以求得轮廓的面积以及周长等。
③轮廓绘制
第一个参数就是要画上去的图，第二个是轮廓信息，第三个是轮廓的索引，第四个是使用的颜色通道，第五个是线条的宽度。
也可以画出轮廓的边界矩形或者外接圆：
3.模板匹配
模板匹配 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，这个差别程度在opencv里有6种，然后将每次计算的结果放在一个矩阵里，作为结果输出。假如原图像是ab，模板是ab大小，则输出结果是(a-a+1) * (b-b+1)
tm_sqdiff：平方差异，越小越相关
tm_ccorr：相关性，越大越相关
tm_ccoeff：相关系数，越大越相关
tm_sqdiff_normed：归一化平方不同，越接近0越相关
tm_ccorr_normed：归一化相关性，越接近1越相关
tm_ccoeff_normed：归一化相关系数，越接近1越相关
建议：尽量使用归一化的方法
①模板匹配
读取图片以及需要匹配的模板，并将其进行灰度化处理：
下面得到的h,w就是模板的长和宽
通过matchtemplate的方法进行匹配：
②匹配框线绘制
对于匹配所得的返回值，通过minmaxloc得到最小值和最大值，以及各自对应的坐标。根据选择的方法不同，所需要的目标值不同。比如tm_sqdiff_normed：归一化平方不同，就是越接近0越相关，即越小越好。
得到了最佳的值以及坐标，就可以画出来矩形框。
在rectangle方法中，参数依次是：要画框的图片，框的左上角坐标，框的右下角坐标，框的亮度，框的线条粗细。结果如下：
③多对象匹配
模板匹配也可匹配多个对象，若图片中有多个和模板匹配的内容，cv.matchtemplate返回的内容中会有多个分数高的结果，设定阈值后，把分数高的结果的坐标，按同样的方式处理，把方框全部画出来即可。
4.直方图统计
①直方图绘制
可直接通过plt.hist方法，将图像矩阵扁平化之后，绘制不同的像素出现的频率直方图。
②直方图统计
cv2.calchist(images,channels,mask,histsize,ranges)
参数中：
imges：传入的图像
channels：颜色通道，如果是灰度图就是[0]，如果是彩色可以是[0],[1],[2]。分别对应着bgr。
mask：掩膜，如果需要对图像进行掩膜处理可以传入此参数。
histsize：就是bin的数目，可以直接填入[256]
ranges：像素值范围，常为：[0,256]
注意：传入参数时，都需要用中括号括起来。
calchist返回值是对应颜色的统计值。当i是0的时候，就是b，1对应g，2对应r
③直方图的mask操作
创建mask，此处使用图片的长宽作为mask的长宽，并把需要展示的地方置为1，其他地方置为0即可。
通过bitwise_and，即“与”操作，即可实现掩膜操作。
把mask应用到图片中，并画出直方图：
④直方图均衡化
通过cv.equalizehist方法，可以对直方图进行均衡化
直方图前后对比如下：
对应的图像发生的变化如下：
以上的方式是对全局直接进行均衡化。可以看出图中雕像的脸变得模糊。通过自适应直方图均衡化可解决此问题，自适应均衡化是通过将图片分成不同的小块，对每一小块进行各自的均衡化。
5.傅里叶变换
低通滤波是保留低频，图像会变得模糊。高通滤波是保留高频，图像的细节会增强。
在opencv中主要是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32的格式 得到的结果中，频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现 cv2.dft()得到的结果是双通道的（实部、虚部），通常还需要转换成图像格式才能展示（0,255）
上图是将图片转换到频域之后，转换成灰度图并且展示的形式。
在低通滤波中，当转换到频域并把低频的放到中间后，只需要设置一个掩膜，即可把图像高频滤除掉。然后在通过逆转换，还原图像即可。具体代码如下：
在高通滤波器中，只需要把上面的代码中的掩膜转换一下，把0换成1,1换成0即可实现高通滤波。最终的图片展示如下：
可以看出，图片只保留了高频，也就是变化剧烈的部分，也就是图像中的边缘。
以上就是python计算机视觉opencv图像金字塔轮廓及模板匹配的详细内容，更多关于python opencv图像金字塔轮廓及模板匹配的资料请关注www.887551.com其它相关文章！
