??????????OpenCV實(shí)戰(zhàn)系列總目錄

打印一個(gè)圖片可以做出一個(gè)函數(shù)：

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

1、輪廓特征與近似

1.1 輪廓特征

前面我們計(jì)算了這個(gè)圖片的輪廓：

?它的輪廓信息保存在了contours中，取出第一個(gè)輪廓，計(jì)算相關(guān)參數(shù)：

cnt = contours[0]
cv2.contourArea(cnt)
cv2.arcLength(cnt,True)

打印結(jié)果：

8500.5?
437.9482651948929

這是分別求出了周長和面積，這里的True表示的是否是閉合的。?

1.2 輪廓近似

?

如圖，第一個(gè)圖是原圖，如果將它的輪廓計(jì)算出來應(yīng)該是第三個(gè)圖的結(jié)果，但是我不想要這樣一些帶坑坑洼洼的結(jié)果，我只想要圖2這樣的結(jié)果呢？

原圖中含有一些曲線，比如有一條曲線，這條曲線有A、B兩個(gè)點(diǎn)，先將這兩個(gè)點(diǎn)連上，在曲線中選到一個(gè)C點(diǎn)，使得這個(gè)C點(diǎn)到AB這條直線上距離最大，如果這個(gè)距離d小于指定的閾值t，那么這個(gè)AB直線就可以當(dāng)做曲線的近似了。

那如果大于設(shè)定的閾值呢？那么曲線就會被分解成兩個(gè)部分變成兩個(gè)曲線，AC和BC，然后AC和BC繼續(xù)去做前面的判斷操作一直到找到近似直線。

但是在代碼的實(shí)現(xiàn)卻非常簡單：

img = cv2.imread('contours2.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')

每行代碼的意思：

1. 讀進(jìn)來圖像，還是前面的圖像
2. 做二值處理
3. 找輪廓信息?
4. 找出第一個(gè)輪廓
5. 深度復(fù)制圖像
6. 提取輪廓信息
7. 將輪廓圖像打印

打印結(jié)果：?

?接下來做輪廓近似的處理：

epsilon = 0.1*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')

關(guān)鍵代碼：approx = cv2.approxPolyDP(cnt,epsilon,True)

cv2.approxPolyDP這是計(jì)算輪廓的函數(shù)，第一個(gè)參數(shù)表示計(jì)算的輪廓，第二個(gè)是指定的閾值，這個(gè)閾值是自己指定的，一般通過周長來計(jì)算，所以approx是計(jì)算的輪廓信息，再用cv2.drawContours將輪廓擬合出來，打印圖像。

打印結(jié)果：

?這就是近似完的結(jié)果，這里可以調(diào)整前面計(jì)算周長的權(quán)重0.1多執(zhí)行幾次，這個(gè)值指定的越小結(jié)果越接近原始輪廓。

1.3 邊界矩陣

?繼續(xù)用上面的圖片，如何將一個(gè)輪廓的外接矩形標(biāo)出來呢？不廢話直接上代碼：

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[5]

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')

前面幾行都已經(jīng)學(xué)習(xí)過了，直接看到這里

x,y,w,h = cv2.boundingRect(cnt)

cnt是輪廓信息，通過cv2.boundingRect可以計(jì)算出四個(gè)值x,y,w,h，一個(gè)坐標(biāo)加上長寬，有這個(gè)信息就可以得到一個(gè)確定的矩形。

通過這個(gè)函數(shù)cv2.rectangle，依次傳進(jìn)去圖像，坐標(biāo)1，坐標(biāo)2，顏色，線條寬度，擬合出這個(gè)輪廓

打印結(jié)果：

?計(jì)算外接矩形和原始圖形的面積比值：

area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print ('輪廓面積與邊界矩形比',extent)

第一行是計(jì)算原始面積，第二行+第三行計(jì)算外接矩形的面積，然后計(jì)算比值打印出來：

輪廓面積與邊界矩形比 0.5154317244724715

外接圓：

(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')

?

2、模板匹配方法

模板匹配在openCV中是非常重要的內(nèi)容，和卷積原理很像，模板在原圖像上從原點(diǎn)開始滑動(dòng)，計(jì)算模板與（圖像被模板覆蓋的地方）的差別程度，這個(gè)差別程度的計(jì)算方法在opencv里有6種，然后將每次計(jì)算的結(jié)果放入一個(gè)矩陣?yán)?，作為結(jié)果輸出。假如原圖形是AxB大小，而模板是axb大小，則輸出結(jié)果的矩陣是(A-a+1)x(B-b+1)?

如圖這是兩個(gè)圖片，我需要做的是將lena臉的部分框出來，然后右圖相當(dāng)于是標(biāo)簽，假如左圖是一個(gè)9*9的圖像，右圖是一個(gè)3*3的圖像，那么左圖可以分解成9個(gè)3*3的圖像，將右圖與這9個(gè)區(qū)域的圖像進(jìn)行比對，通過計(jì)算兩個(gè)圖像的像素匹配程度來判斷是這9個(gè)區(qū)域的那一個(gè)區(qū)域，9個(gè)區(qū)域就是從左至右從上至下一個(gè)一個(gè)進(jìn)行匹配。

那這個(gè)匹配程度怎么計(jì)算呢，openCV提供了多種方法來計(jì)算，比如計(jì)算對應(yīng)位置之間的像素值差異，差異值就是量化匹配程度，當(dāng)然差異值越小說明匹配程度越接近。具體的匹配方法：

• TM_SQDIFF：計(jì)算平方不同，計(jì)算出來的值越小，越相關(guān)
• TM_CCORR：計(jì)算相關(guān)性，計(jì)算出來的值越大，越相關(guān)
• TM_CCOEFF：計(jì)算相關(guān)系數(shù)，計(jì)算出來的值越大，越相關(guān)
• TM_SQDIFF_NORMED：計(jì)算歸一化平方不同，計(jì)算出來的值越接近0，越相關(guān)
• TM_CCORR_NORMED：計(jì)算歸一化相關(guān)性，計(jì)算出來的值越接近1，越相關(guān)
• TM_CCOEFF_NORMED：計(jì)算歸一化相關(guān)系數(shù)，計(jì)算出來的值越接近1，越相關(guān)

這里給出一個(gè)openCV官網(wǎng)鏈接，是上面這些匹配方法的計(jì)算公式：

OpenCV: Object Detection

分別將lena和模板（lena的臉）讀進(jìn)來，轉(zhuǎn)化為灰度圖后打印出大小：

# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2]
print(img.shape)
print(template.shape)

h和w是模板的長和寬，打印的shape值為：

(263, 263)

(110, 85)

?調(diào)用模板匹配操作：

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
print(res.shape)

methods是所有方法

?cv2.matchTemplate的參數(shù)分別為原始圖像、模板、匹配方法

然后打印shape值

打印結(jié)果：

(154, 179)

這里的154=263-110+1,179=263-85+1

用這個(gè)結(jié)果去定位一下最小損失的那個(gè)像素點(diǎn)的位置：

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
print(min_val, max_val, min_loc, max_loc)

?打印結(jié)果：

39168.0

74403584.0

(107, 89)

(159, 62)

在這個(gè)匹配方法中，我們需要的是min_loc，這個(gè)點(diǎn)的坐標(biāo)再加上模板的長寬，就可以得到我們想要框住的區(qū)域了。

3、模板匹配效果

用6種不同的匹配方法進(jìn)行模板匹配，看下結(jié)果的差異：

for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    print (method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果是平方差匹配TM_SQDIFF或歸一化平方差匹配TM_SQDIFF_NORMED，取最小值
    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)

    # 畫矩形
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隱藏坐標(biāo)軸
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

對這個(gè)代碼塊逐行解釋：

1. for循環(huán)
2. 深度復(fù)制圖像
3. 取出當(dāng)前匹配方法名稱（前面有一個(gè)數(shù)組存了全部的6個(gè)方法）（加上eval的原因是不能傳進(jìn)來一個(gè)字符串）
4. 計(jì)算一個(gè)結(jié)果
5. 找出最好結(jié)果和最壞結(jié)果的差異程度值和坐標(biāo)
6. 判斷當(dāng)前方法是算最小值為最佳結(jié)果還是最大值為最佳結(jié)果
7. 6已解釋
8. 6已解釋
9. 6已解釋
10. 計(jì)算出右下角的坐標(biāo)
11. 通過對焦的兩個(gè)點(diǎn)的坐標(biāo)畫出一個(gè)矩形將目標(biāo)區(qū)域框出來
12. 后面全是將結(jié)果打印出來

打印結(jié)果幾乎都是一樣的，就只列出一個(gè)了：

?左邊的圖好理解，就是將lena的臉框出來了，我們完成了任務(wù)，右邊就是計(jì)算出了一個(gè)最亮的位置也就是前面res變量的輸出結(jié)果。

沒有加上歸一化操作的結(jié)果會稍微差點(diǎn)。

同樣的道理我們做一下多個(gè)模板的匹配，比如一張圖上有多個(gè)模板需要全部框出來：

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐標(biāo)
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *號表示可選參數(shù)
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

打印結(jié)果：

文章來源地址http://www.zghlxwxcb.cn/news/detail-686483.html

到了這里，關(guān)于openCV實(shí)戰(zhàn)-系列教程7：輪廓檢測2與模板匹配（輪廓檢測/輪廓特征/輪廓近似/輪廓邊界矩陣/輪廓邊界圓/模版匹配）、原理解析、源碼解讀的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！