接上次笔记，继续学习~~~

图像的处理（二）

Canny边缘检测

1）使用高斯滤波，以平滑图像，滤除噪声。

2）计算图像中每个像素点的梯度强度和方向。

3）应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂度响应。

4）应用双阈值（Double-Threshold）检测来确定真实和潜在的边缘。

5）通过抑制孤立的弱边缘最终完成边缘检测。

1、高斯滤波器

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70

2、梯度和方向

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 1

3、非极大值抑制

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 2

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 3

4、双阈值检测

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 4

#Canny边缘检测
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img,80,150)  #80,150表示自定义的minval和maxval
v2 = cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')
img = cv2.imread('car.png',cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img,120,250)  #80,150表示自定义的minval和maxval
v2 = cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')

图像金字塔

1、高斯金字塔

2、拉普拉斯金字塔

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 5

高斯金字塔：向下采样法（缩小）

高斯金字塔：向上采样法（放大）

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 6

#图像金字塔-高斯金字塔
img = cv2.imread('AM.png')
cv_show(img,'img')
print(img.shape)
up = cv2.pyrUp(img)
cv_show(up,'up')
print(up.shape)
down = cv2.pyrDown(img)
cv_show(down,'down')
print(down.shape)
up2 = cv2.pyrUp(up)
cv_show(up2,'up2')
print(up2.shape)
up = cv2.pyrUp(img)
up_down = cv2.pyrDown(up)
cv_show(up_down,'up-down')
res = np.hstack((img,up_down))
cv_show(res,'res')

拉普拉斯金字塔

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 7

#图像金字塔-拉普拉斯金字塔
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l_l = img-down_up
cv_show(l_l,'l_l')

图像轮廓

cv2.findContours(img,mode,method)

mode:轮廓检索模式

cv2.findContours(img,cv2.RETR_EXTERNAL,method)
cv2.RETR_EXTERNAL:只检索最外面的轮廓；
cv2.RETR_LIST：检索所有的轮廓，并将其保存到一条链表中；
cv2.RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界；
cv2.RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次；

methond：轮廓逼近方法

cv2.CHAIN_APPROX_NONE:以Freeman链码的方式输出轮廓，所有其他地方输出多边形（顶点的序列）。
cv2.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。

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Fuc2hpZGFzaGVu_size_16_color_FFFFFF_t_70 8

为了更高的准确率，使用二值图像。

img = cv2.imread('contours.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) #binary为二值结果，contours为一些轮廓点，即轮廓信息
#绘制轮廓
#注意需要copy，不然原图会变
draw = img.copy()
#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
res = cv2.drawContours(draw,contours,-1,(0,0,253),2)
cv_show(res,'res')
#轮廓特征
cnt = contours[0]
print(cv2.contourArea(cnt))  #面积
print(cv2.arcLength(cnt,True)) #周长，TRUE表示闭合

轮廓近似

#轮廓近似
img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
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,contours,-1,(0,0,255),2)
cv_show(res,'res')
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')
#边界矩形
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
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')
area = cv2.contourArea(cnt)
x,y,w,h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print("轮廓面积与边界矩形比：",extent)
#外接圆
(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')

模板匹配

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，计算机模板与（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，例如原图像是AxB的大小，而模板是axb大小，则输出结果的矩阵是（A-a+1)x(B-b+1)

cv2.TM_SQDIFF:计算平方不同，计算出来的值越小，越相关
cv2.TM_CCORR:计算相关性，计算出来的值越大，越相关
cv2.TM_CCOEFF:计算相关系数，计算出来的值越大，越相关
cv2.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
cv2.TM_CCORR_NORMED:计算归一化相关性，计算出来的值越接近1，越相关
cv2.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
#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)
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)
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
print(min_val)
print(max_val)
print(min_loc)
print(max_loc)
#几种方法的比较
for math in  methods:
    img2 = img.copy()
    #匹配方法的真值
    method = eval(math)
    print(method)
    res = cv2.matchTemplate(img,template,method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    #如果是平方匹配TM_SQDIFF或归一化平方匹配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)
    #画矩形
    cv2.rectangle(img2,top_left,bottom_right,255,2)
    plt.subplot(121),plt.imshow(res,cmap='gray')
    plt.xticks([]),plt.yticks([])  #隐藏坐标轴
    plt.subplot(122),plt.imshow(img2,cmap='gray')
    plt.xticks([]),plt.yticks([])
    plt.suptitle(math)
    plt.show()
#匹配多个对象
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的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  #*号表示可选参数
    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)