opencv小白03学习笔记03

OpenCV-Python教程:21.轮廓:更多函数

https://www.jianshu.com/p/07312149e60a
1.凸面缺陷
OpenCV提供了现成的函数来做这个,cv2.convexityDefects().
2.Point Polygon Test
这个函数找到图像里的点和轮廓之间的最短距离。它返回的距离当点在轮廓外的时候是负值,当点在轮廓内是正值,如果在轮廓上是0
3.匹配形状
OpenCV提供一个函数cv2.matchShapes()来让我们可以比较两个形状,或者两个轮廓来返回一个量表示相似度。结果越低,越相似,它是根据hu矩来计算的。不同的计算方法在文档里有介绍。

OpenCV-Python教程:22.轮廓层级

https://www.jianshu.com/p/4daf1f7e69e0
什么是层级?
一般来说我们用cv2.findContours()函数来检测图像里的目标,有时候目标在不同的地方,但是在有些情况下,有些图形在别的图形里面,就像图形嵌套,在这种情况下,我们把外面那层图形叫做parent,里面的叫child。这样图形里的轮廓之间就有了关系。我们可以指定一个轮廓和其他之间的是如何连接的,这种关系就是层级。
OpenCV里的层级表示
每个轮廓有他自己的关于层级的信息,谁是他的孩子,谁是他的父亲等。OpenCV用一个包含四个值得数组来表示:[Next, Previous, First_Child, Parent]
我们知道了层级,现在来看OpenCV里的轮廓获取模式,四个标志cv2.RETR_LIST, cv2.RETR_TREE, cv2.RETR_CCOMP, cv2.RETR_EXTERNAL表示啥?
轮廓获取模式
1.RETR_LIST
这是最简单的一个,它获取所有轮廓,但是不建立父子关系,他们都是一个层级。所以,层级属性第三个和第四个字段(父子)都是-1,但是Next和Previous还是有对应值。
2.RETR_EXTERNAL
如果用这个模式,它返回最外层的。所有孩子轮廓都不要,我们可以说在这种情况下,只有家族里最老的会被照顾,其他都不管。所以在我们的图像里,有多少最外层的轮廓呢,有3个,contours 0,1,2
3.RETR_CCOMP
这个模式获取所有轮廓并且把他们组织到一个2层结构里,对象的轮廓外边界在等级1里,轮廓内沿(如果有的话)放在层级2里。如果别的对象在它里面,里面的对象轮廓还是放在层级1里,它的内沿在层级2.
4.RETR_TREE
最后,Mr.Perfect。它取回所有的轮廓并且创建完整的家族层级列表,它甚至能告诉你谁是祖父,父亲,儿子,孙子。。

OpenCV-Python教程:23.histogram

https://www.jianshu.com/p/c3f414646a50
什么是histogram?它可以给出图像的密度分布的总体概念,它的x轴是像素值(0到255)y轴是对应的像素在图像里的数量。
看histogram你可以得到对比度,亮度,密度分布等直观信息。
1.OpenCV Histogram 计算
2.Numpy里的Histogram计算
OpenCV函数要比np.histogram()要快很多(40x)。所以还是用OpenCV函数。
使用Mask
我们使用cv2.calcHist()来找整个图的histogram。如果你想找某个区域的histogram,就创建一个你想要的区域是白色而其他地方是黑色的mask图像。

OpenCV-Python教程:24.histogram-2:histogram均衡

https://www.jianshu.com/p/7494f40e722b
一张像素值被限制在一个特定值范围内的图像,比如,亮图被限制所有像素都是亮值。但是一个好的图片应该是有所有范围的像素。所以我们需要把histogram拉伸到两端,这就是histogram均衡。这个一般是用来提升图片的对比度。
在面部识别里,在训练面部数据之前,面部的图片会做histogram均衡以让他们所有都是同样的亮度条件。
OpenCV里的Histograms均衡
OpenCV有一个函数可以做这个,cv2.equalizeHist()。它的输入是灰度图像,输出时我们的histogram均衡图像。

1
2
img = cv2.imread('wiki.jpg',0)
equ = cv2.equalizeHist(img)

histogram均衡在图片的histogram被限制在一个范围内时很有用,它在histogram覆盖大范围时并不好用。
对比度受限自适应直方图均衡
我们第一个histogram均衡考虑的是图片全部对比度,在很多情况下,这不是好主意,
背景对比度在均衡后确实提高了。但是对比两张图里的雕像,我们由于过度亮而导致失去了大部分面部信息。这是由于图像的histogram并不是像之前的图片那样限制在特定范围内。
要解决这个问题,要用适应性histogram均衡。在这里,图像被分成小块,这些小块叫做瓷砖(瓷砖的大小在OpenCV里默认是8x8)。然后这些小块还和平常一样做均衡,所以在小块里,histogram是在小范围内的,如果有噪点,会被放大。要避免这个,要应用对比度限制。如果任何histogram 高于特定的对比度限制(OpenCV里默认是40),那些像素会被修剪掉并被无变化的放到其他然后再做histogram均衡。均衡后,要移除瓷砖边界的人工因素,要应用双线性插值。
下面的代码显示了OpenCV里的CLAHE:

1
2
3
4
# create a CLAHE object (Arguments are optional).
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv2.imwrite('clahe_2.jpg',cl1)

OpenCV-Python教程:25.Histograms-3:2d Histograms

https://www.jianshu.com/p/2f3fcabad43a
在第一节里,我们计算和绘制了一维的histogram,它被叫做一维histogram是因为我们只拿了一个属性出来,像素的灰度强度值。而如果是二维histogram,你就要考虑两个属性了。一般来说对于彩色histogram两个属性是色调和饱和度的值。
OpenCV里的2D histogram
用cv2.calcHist()很简单,对于彩色histogram我们需要把图像从BGR转换成HSV。(记住,对于1维histogram,我们从BGR转成灰度),
Numpy里的2D histogram
Numpy也提供了函数np.histogram2d()。(记住,对于1维的是np.histogram())

OpenCV-Python教程:26.Histogram 4 Histogram 向后投影

https://www.jianshu.com/p/31cd06b0bd6f
用来在图片分割或者在图像里找感兴趣的目标,简单说来,它创建了一个和输入图像一样大小的图像,但是是单通道的。输出图像会有我们感兴趣的目标,但是它比其他部分更白。

OpenCV-Python教程:27.图像转换

https://www.jianshu.com/p/58c39dce2a7a
傅里叶变换
图像处理(5)–图像的傅里叶变换:https://blog.csdn.net/qq_33208851/article/details/94834614
信号在频率域的表现
在频域中,频率越大说明原始信号 变化速度越快;频率越小说明原始信号越平缓。当频率为0时,表示直流信号,没有变化。因此,频率的 大小反应了信号的变化快慢。高频分量解释信号的突变部分,而低频分量决定信号的整体形象。
在 图像处理中,频域反应了图像在空域灰度变化剧烈程度,也就是图像灰度的变化速度,也就是图像的梯度大小。对图像而言,图像的边缘部分是突变部分,变化较 快,因此反应在频域上是高频分量;图像的噪声大部分情况下是高频部分;图像平缓变化部分则为低频分量。也就是说,傅立叶变换提供另外一个角度来观察图像, 可以将图像从灰度分布转化到频率分布上来观察图像的特征。书面一点说就是,傅里叶变换提供了一条从空域到频率自由转换的途径。对图像处理而言,以下概念非 常的重要:
图像高频分量:图像突变部分;在某些情况下指图像边缘信息,某些情况 下指噪声,更多是两者的混合;
低频分量:图像变化平缓的部分,也就是图像轮廓信息
高通滤波器:让图像使低频分量抑制,高频分量通过
低通滤波器:与高通相反,让图像使高频分量抑制,低频分量通过
带通滤波器:使图像在某一部分 的频率信息通过,其他过低或过高都抑制
还有个带阻滤波器,是带通的反。

OpenCV-Python教程:28.模板匹配

https://www.jianshu.com/p/53ef74b02f6a
模板匹配是在一个大图里搜索和找模板图像位置的方法。OpenCV有个函数cv2.matchTemplate()来做这个。它吧模板图像在输入图像上滑动,对比模板和在模板图像下的输入图像块。它返回了一个灰度图像,每个像素表示那个像素周围和模板匹配的情况。
如果输入图像大小是WxH而模板图像大小是wxh,输出图像的大小是(W-w+1, H-h+1)。当你得到了结果,你可以用cv2.minMaxLoc()函数来找最大最小值。把它作为矩形左上角,w,h作为矩形的宽和高。矩形是你的模板区域。
注意:
如果你用cv2.TM_SQDIFF作为比较方法,最小值是最匹配。

尝试所有的比较方法
methods = [‘cv2.TM_CCOEFF’, ‘cv2.TM_CCOEFF_NORMED’, ‘cv2.TM_CCORR’,’cv2.TM_CCORR_NORMED’, ‘cv2.TM_SQDIFF’, ‘cv2.TM_SQDIFF_NORMED’]

模板匹配多个目标
在前面我们搜索了messi的脸,目标只在图像里出现了一次,假设你要搜的东西在图像里出现多次,cv2.minMaxLoc()不会给你所有的位置。在这种情况下,我们会使用阈值,在这个例子里,我们使用超级玛丽的截图来找金币。

1
2
3
4
5
6
7
8
9
10
11
12
img_rgb = cv2.imread('mario.png')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.png',0)
w, h = template.shape[::-1]

res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where( res >= threshold)
for pt in zip(*loc[::-1]):
cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2)

cv2.imwrite('res.png',img_rgb)

OpenCV-Python教程:29.霍夫线变换

https://www.jianshu.com/p/722b5ac8773d
霍夫变换(主要说明检测直线及圆的原理):https://blog.csdn.net/weixin_40196271/article/details/83346442
霍夫变换是图像处理中从图像中识别几何形状的基本方法之一,应用很广泛,也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状(如,直线,圆等)。最基本的霍夫变换是从黑白图像中检测直线(线段)。
函数cv2.HoughLines()

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×