OpenCV — 图像预处理(九)
文章目录
十九,模版匹配
19.1模版匹配
模板匹配就是用模板图(通常是一个小图)在目标图像(通常是一个比模板图大的图片)中不断的滑动比较,通过某种比较方法来判断是否匹配成功,找到模板图所在的位置。
-
不会有边缘填充。
-
类似于卷积,滑动比较,挨个比较象素。
-
返回结果大小是:目标图大小-模板图大小-1。

19.2 匹配方法
res=cv2.matchTemplate(image, templ, method)
-
image:原图像,这是一个灰度图像或彩色图像(在这种情况下,匹配将在每个通道上独立进行)。
-
templ:模板图像,也是灰度图像或与原图像相同通道数的彩色图像。
-
method:匹配方法,可以是以下之一:
- cv2.TM_CCOEFF
- cv2.TM_CCOEFF_NORMED
- cv2.TM_CCORR
- cv2.TM_CCORR_NORMED
- cv2.TM_SQDIFF
- cv2.TM_SQDIFF_NORMED
- 这些方法决定了如何度量模板图像与原图像子窗口之间的相似度。
-
返回值res
函数在完成图像模板匹配后返回一个结果矩阵,这个矩阵的大小与原图像相同。矩阵的每个元素表示原图像中相应位置与模板图像匹配的相似度。
匹配方法不同,返回矩阵的值的含义也会有所区别。以下是几种常用的匹配方法及其返回值含义:
-
cv2.TM_SQDIFF或cv2.TM_SQDIFF_NORMED:返回值越接近0,表示匹配程度越好。最小值对应的最佳匹配位置。
-
cv2.TM_CCORR或cv2.TM_CCORR_NORMED:返回值越大,表示匹配程度越好。最大值对应的最佳匹配位置。
-
cv2.TM_CCOEFF或cv2.TM_CCOEFF_NORMED:返回值越大,表示匹配程度越好。最大值对应的最佳匹配位置。
-
19.2.1 平方差匹配
cv2.TM_SQDIFF
以模板图与目标图所对应的像素值使用平方差公式来计算,其结果越小,代表匹配程度越高

19.2.2 归一化平方差匹配
cv2.TM_SQDIFF_NORMED
与平方差匹配类似,只不过需要将值统一到0到1,计算结果越小,代表匹配程度越高

19.2.3 相关匹配
cv2.TM_CCORR
使用对应像素的乘积进行匹配,乘积的结果越大其匹配程度越高

19.2.4 归一化相关匹配
cv2.TM_CCORR_NORMED
与相关匹配类似,只不过是将其值统一到0到1之间,值越大,代表匹配程度越高

19.2.5 相关系数匹配
cv2.TM_CCOEFF
需要先计算模板与目标图像的均值,然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度,1表示完美的匹配,-1表示最差的匹配,

19.2.6 归一化相关系数匹配
cv2.TM_CCOEFF_NORMED
也是将相关系数匹配的结果统一到0到1之间,值越接近1代表匹配程度越高

19.3 绘制轮廓
找的目标图像中匹配程度最高的点,我们可以设定一个匹配阈值来筛选出多个匹配程度高的区域。
- loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的数组
np.where(condition) 是 NumPy 的一个函数,当条件为真时,返回满足条件的元素的索引。
- *zip(loc)
*loc是解包操作,将loc中的多个数组拆开,作为单独的参数传递给zip。zip将这些数组按元素一一配对,生成一个迭代器,每个元素是一个元组,表示一个坐标点。
- 练习
#模版匹配
#读图
image = cv.imread('txycl/images/game.png')
temp = cv.imread('txycl/images/temp.png')
#转灰度
image_gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
tenp_gray =cv.cvtColor(temp,cv.COLOR_BGR2GRAY)
#模版匹配,拿到匹配结果,返回匹配程度矩阵
res = cv.matchTemplate(image_gray,tenp_gray,cv.TM_CCOEFF_NORMED)#归一化相关系数匹配
#设置阈值,使用np.where获取符合条件的坐标
threshold = 0.8
loc = np.where(res >= threshold)
print(loc,type(loc),res[loc[0][0],loc[1][0]])
#获取模版宽高
w,h = tenp_gray.shape[::-1]
#解包处理,拿到坐标
for pt in zip(*loc[::-1]):
cv.rectangle(image,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)
#绘制出匹配的部分,框出来
cv.imshow('image',image)
cv.waitKey(0)
cv.destroyAllWindows()

二十,霍夫变换
20.1 理解霍夫变换
霍夫变换是图像处理的一种技术,主要用于检测图像中的直线、圆等几何形状。基本思想就是将图像空间中的点映射到参数空间中,通过在参数空间中寻找累计最大值实现对特定形状的检测

20.2 霍夫直线变换
对于一条直线(不垂直于x轴的直线),都可以用
y
=
k
x
+
b
y=k x+b
y=kx+b来表示,此时,x和y是横纵坐标,k和b是一个固定参数。当我们换一种方式来看待这个式子,我们就可以得到:
b
=
−
k
x
+
y
b=-kx+y
b=−kx+y
此时,以k和b 为横纵坐标,x和y为固定参数,也就是说k和b成了自变量和因变量,变换如下图所示:

从上图可以看出,在直角坐标系下的一个直线,在变换后的空间中仅仅表示为一点,对于变换后的空间,我们称其为霍夫空间,也就是参数空间。也就是说,直角坐标系下的一条直线对应了霍夫空间中的一个点。类似的,霍夫空间中的一条直线也对应了直角坐标系中的一个点,如下图所示:

使用API
lines=cv2.HoughLines(image, rho, theta, threshold)
image:输入图像,通常为二值图像,其中白点表示边缘点,黑点为背景。rho:r的精度,以像素为单位,表示霍夫空间中每一步的距离增量, 值越大,考虑越多的线。theta:角度θ的精度,通常以弧度为单位,表示霍夫空间中每一步的角度增量。值越小,考虑越多的线。threshold:累加数阈值,只有累积投票数超过这个阈值的候选直线才会被返回。
返回值:cv2.HoughLines 函数返回一个二维数组,每一行代表一条直线在霍夫空间中的参数 (rho, theta)。`
#霍夫直线变换
#读图
img = cv.imread('txycl/images/huofu.png')
#转灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#边缘检测
edges = cv.Canny(gray,30,70)
#霍夫直线变换:lines=cv.HoughLinesP(edges,rho,theta,threshold,minLineLength,maxLineGap)
lines = cv.HoughLinesP(edges,0.8,np.pi/180,90)
print(lines)
#循环遍历,取每条线的rho和theta
for line in lines:
x1,y1,x2,y2 = line[0]
cv.line(img,(x1,y1),(x2,y2),(0,0,255),2)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()`

20.3 统计概率霍夫直线变换
前面的方法又称为标准霍夫变换,它会计算图像中的每一个点,计算量比较大,另外它得到的是整一条线(r和θ),并不知道原图中直线的端点。所以提出了统计概率霍夫直线变换(Probabilistic Hough Transform),是一种改进的霍夫变换,它在获取到直线之后,会检测原图中在该直线上的点,并获取到两侧的端点坐标,然后通过两个点的坐标来计算该直线的长度,通过直线长度与最短长度阈值的比较来决定该直线要不要被保留。
使用API
lines=cv2.HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=0, maxLineGap=0)
image:输入图像,通常为二值图像,其中白点表示边缘点,黑点为背景。rho:极径分辨率,以像素为单位,表示极坐标系中的距离分辨率。theta:极角分辨率,以弧度为单位,表示极坐标系中角度的分辨率。threshold:阈值,用于过滤掉弱检测结果,只有累计投票数超过这个阈值的直线才会被返回。lines(可选):一个可初始化的输出数组,用于存储检测到的直线参数。minLineLength(可选):最短长度阈值,比这个长度短的线会被排除。maxLineGap(可选):同一直线两点之间的最大距离。当霍夫变换检测到一系列接近直角的线段时,这些线段可能是同一直线的不同部分。maxLineGap参数指定了在考虑这些线段属于同一直线时,它们之间最大可接受的像素间隔。
返回值lines:cv2.HoughLinesP 函数返回一个二维数组,每个元素是一个包含4个元素的数组,分别表示每条直线的起始点和结束点在图像中的坐标(x1, y1, x2, y2)。
#统计概率霍夫直线变换
#读图
img = cv.imread('txycl/images/huofu.png')
#转灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#边缘检测
edges = cv.Canny(gray,30,70)
#霍夫直线变换:lines=cv.HoughLinesP(edges,rho,theta,threshold,minLineLength,maxLineGap)
lines = cv.HoughLinesP(edges,0.8,np.pi/180,90,minLineLength=50,maxLineGap=10)
print(lines)
#循环遍历,取每条线的rho和theta
for line in lines:
x1,y1,x2,y2 = line[0]
cv.line(img,(x1,y1),(x2,y2),(0,0,255),2,cv.LINE_AA)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

20.4 霍夫圆变换
霍夫圆变换跟直线变换类似,它可以从图像中找出潜在的圆形结构,并返回它们的中心坐标和半径。只不过线是用(r,θ)表示,圆是用(x_center,y_center,r)来表示,从二维变成了三维,数据量变大了很多;所以一般使用霍夫梯度法减少计算量。
使用API
circles=cv2.HoughCircles(image, method, dp, minDist, param1, param2)
-
image:输入图像,通常是灰度图像。 -
method:使用的霍夫变换方法:霍夫梯度法,可以是cv2.HOUGH_GRADIENT,这是唯一在OpenCV中用于圆检测的方法。 -
dp:累加器分辨率与输入图像分辨率之间的降采样比率,用于加速运算但不影响准确性。设置为1表示霍夫梯度法中累加器图像的分辨率与原图一致 -
minDist:检测到的圆心之间的最小允许距离,以像素为单位。在霍夫变换检测圆的过程中,可能会检测到许多潜在的圆心。minDist参数就是为了过滤掉过于接近的圆检测结果,避免检测结果过于密集。当你设置一个较小的minDist值时,算法会尝试找出尽可能多的圆,即使是彼此靠得很近的圆也可能都被检测出来。相反,当你设置一个较大的minDist值时,算法会倾向于只检测那些彼此间存在一定距离的独立的圆。 -
param1和param2:这两个参数是在使用cv2.HOUGH_GRADIENT方法时的特定参数,分别为:-
param1(可选):阈值1,决定边缘强度的阈值。 -
param2:阈值2,控制圆心识别的精确度。较大的该值会使得检测更严格的圆。param2通常被称为圆心累积概率的阈值。在使用霍夫梯度方法时,param2设置的是累加器阈值,它决定了哪些候选圆点集合被认为是有效的圆。较高的param2值意味着对圆的检测更严格,只有在累加器中积累了足够高的响应值才认为是真实的圆;较低的param2值则会降低检测的门槛,可能会检测到更多潜在的圆,但也可能包含更多的误检结果。
-
返回值:cv2.HoughCircles 返回一个二维numpy数组,包含了所有满足条件的圆的参数。
#霍夫圆变换
#读图
img = cv.imread('txycl/images/huofu.png')
#转灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#边缘检测
edges = cv.Canny(gray,30,70)
#霍夫圆变换:circles=cv.HoughCircles(edges,method,dp,minDist[,circles[,param1[,param2[,minRadius[,maxRadius]]]]])
circles = cv.HoughCircles(edges,cv.HOUGH_GRADIENT,1,20,param2=30)
print(circles)
#数据处理
circles = np.uint16(np.around(circles))
print(circles)
#循环遍历,
for i in circles[0,:]:
#画圆
cv.circle(img,(i[0],i[1]),i[2],(0,255,0),2)
#画圆心
cv.circle(img,(i[0],i[1]),2,(0,0,255),3)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

1万+



被折叠的 条评论
为什么被折叠?



