4. OpenCV-Python——模版匹配、直方图

一、模版匹配

1、模版匹配

　　模板匹配和卷积原理很像，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，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)。

  • TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
  • TM_CCORR：计算相关性，计算出来的值越大，越相关
  • TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
  • TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
  • TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
  • TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

                                                       

 1 # *******************模版匹配**********************开始
 2 import cv2
 3 import numpy as np
 4 import matplotlib.pyplot as plt
 5 
 6 # 模板匹配
 7 img = cv2.imread('lena.jpg', 0)
 8 template = cv2.imread('face.jpg', 0)
 9 
10 h, w = template.shape[:2]
11 
12 methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
13            'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
14 
15 # 匹配方法
16 res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
17 print(res.shape)
18 # 匹配结果返回
19 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
20 print(min_val,max_val,min_loc,max_loc)
21 
22 # 6种不同方法比较
23 for meth in methods:
24     img2 = img.copy()
25 
26     # 匹配方法的真值
27     method = eval(meth)
28     print (method)
29     res = cv2.matchTemplate(img, template, method)
30     min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
31 
32     # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
33     if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
34         top_left = min_loc
35     else:
36         top_left = max_loc
37     bottom_right = (top_left[0] + w, top_left[1] + h)
38 
39     # 画矩形
40     cv2.rectangle(img2, top_left, bottom_right, 255, 2)
41 
42     plt.subplot(121), plt.imshow(res, cmap='gray')
43     plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
44     plt.subplot(122), plt.imshow(img2, cmap='gray')
45     plt.xticks([]), plt.yticks([])
46     plt.suptitle(meth)
47     plt.show()
48 # *******************模版匹配**********************结束

六种方法的匹配结果：

 

 

  

2、多个匹配

 1 # *******************膜版匹配-多个匹配**********************开始
 2 import cv2
 3 import numpy as np
 4 import matplotlib.pyplot as plt
 5 
 6 img_rgb = cv2.imread('mario.jpg')
 7 img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
 8 template = cv2.imread('mario_coin.jpg', 0)
 9 h, w = template.shape[:2]
10 
11 res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
12 threshold = 0.8
13 # 取匹配程度大于%80的坐标
14 loc = np.where(res >= threshold)
15 for pt in zip(*loc[::-1]):  # *号表示可选参数
16     bottom_right = (pt[0] + w, pt[1] + h)
17     cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
18 
19 cv2.imshow('img_rgb', img_rgb)
20 cv2.waitKey(0)
21 # *******************膜版匹配-多个匹配**********************结束

 二、直方图

cv2.calcHist(images,channels,mask,histSize,ranges)

  • images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
  • channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
  • mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
  • histSize:BIN 的数目。也应用中括号括来
  • ranges: 像素值范围常为 [0256]

1、直方图

 1 import cv2                        #opencv读取的格式是BGR
 2 # import numpy as np
 3 import matplotlib.pyplot as plt   #Matplotlib是RGB
 4 
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 # 直方图
11 img = cv2.imread('cat.jpg',0) #0表示灰度图
12 hist = cv2.calcHist([img],[0],None,[256],[0,256])
13 print(hist.shape)
14 
15 plt.hist(img.ravel(),256);
16 plt.show()

1 # 三个通道的直方图曲线
2 img = cv2.imread('cat.jpg')
3 color = ('b','g','r')
4 for i,col in enumerate(color):
5     histr = cv2.calcHist([img],[i],None,[256],[0,256])
6     plt.plot(histr,color = col)
7     plt.xlim([0,256])
8 plt.show()

2、掩码mask

 1 # *******************掩码**********************开始
 2 import cv2
 3 import numpy as np
 4 import matplotlib.pyplot as plt
 5 
 6 def cv_show(img,name):
 7     cv2.imshow(name,img)
 8     cv2.waitKey()
 9     cv2.destroyAllWindows()
10 
11 img = cv2.imread('cat.jpg', 0)
12 # cv_show(img,'img')
13 
14 # 创建mast
15 mask = np.zeros(img.shape[:2], np.uint8)
16 print (mask.shape)
17 mask[100:300, 100:400] = 255
18 # cv_show(mask,'mask')
19 
20 # 掩码下的与操作
21 masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作
22 # cv_show(masked_img,'masked_img')
23 
24 # 绘制有无掩码下的直方图
25 hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
26 hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])
27 
28 # 展示结果
29 plt.subplot(221), plt.imshow(img, 'gray')
30 plt.subplot(222), plt.imshow(mask, 'gray')
31 plt.subplot(223), plt.imshow(masked_img, 'gray')
32 plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
33 plt.xlim([0, 256])
34 plt.show()
35 # *******************掩码**********************结束

3、直方图均衡化

 1 # *******************直方图均衡化**********************开始
 2 import cv2
 3 import numpy as np
 4 import matplotlib.pyplot as plt
 5 
 6 def cv_show(img,name):
 7     cv2.imshow(name,img)
 8     cv2.waitKey()
 9     cv2.destroyAllWindows()
10 
11 img = cv2.imread('clahe.jpg',0) #0表示灰度图 #clahe
12 plt.hist(img.ravel(),256);
13 plt.show()
14 
15 # 均衡化
16 equ = cv2.equalizeHist(img)
17 plt.hist(equ.ravel(),256)
18 plt.show()
19 
20 res = np.hstack((img,equ))
21 cv_show(res,'res')
22 
23 # 自适应直方图均衡化
24 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
25 res_clahe = clahe.apply(img)
26 res = np.hstack((img,equ,res_clahe))
27 cv_show(res,'res')
28 # *******************直方图均衡化**********************结束

 

 

posted @ 2020-06-03 10:40  红叶楠木  阅读(820)  评论(0)  编辑  收藏  举报