1.圖像金字塔
①高斯金字塔
向下采樣，數(shù)據(jù)會越來越少，減少的方式是：將偶數(shù)行和列刪除
向上采樣，數(shù)據(jù)會越來越多，將圖像在每個方向上擴(kuò)大為原來的兩倍，新增的行和列用0來填充。使用先前同樣的內(nèi)核與放大后的圖像卷積，獲得近似值。
上采樣之后，圖片會變大。
下采樣后，圖片會變小。
②拉普拉斯金字塔
對于原始圖像，先執(zhí)行下采樣，再執(zhí)行上采樣，并用原始圖像減去得到的采樣結(jié)果。
以上的計算方式為1層，第二層的計算，把第一層得到的結(jié)果作為原始圖像進(jìn)行計算。
2.圖像輪廓
cv.findContours(img,mode,method)
最常用的mode：
RETR_TREE，檢測所有的輪廓，并重構(gòu)嵌套輪廓的整個層次
最常用的method：
CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形（頂點的序列）
CHAIN_APPROX_SIMPLE：壓縮水平的、垂直的和斜的部分，也就是函數(shù)只保留他們的終點部分。
①尋找輪廓
函數(shù)返回的第一個參數(shù)contours就是我們所需要的輪廓信息。它是一個列表的形式。每一個元素都是數(shù)組形式。一個圖像中可能有多個輪廓，并且會有外輪廓以及內(nèi)輪廓，均可通過返回的contours調(diào)用。
②輪廓特征
通過調(diào)用不同的函數(shù)可以求得輪廓的面積以及周長等。
③輪廓繪制
第一個參數(shù)就是要畫上去的圖，第二個是輪廓信息，第三個是輪廓的索引，第四個是使用的顏色通道，第五個是線條的寬度。
也可以畫出輪廓的邊界矩形或者外接圓：
3.模板匹配
模板匹配 模板在原圖像上，從原點開始滑動，計算模板與圖像被模板覆蓋的地方的差別程度，這個差別程度在opencv里有6種，然后將每次計算的結(jié)果放在一個矩陣?yán)铮鳛榻Y(jié)果輸出。假如原圖像是AB，模板是ab大小，則輸出結(jié)果是(A-a+1) * (B-b+1)
TM_SQDIFF：平方差異，越小越相關(guān)
TM_CCORR：相關(guān)性，越大越相關(guān)
TM_CCOEFF：相關(guān)系數(shù)，越大越相關(guān)
TM_SQDIFF_NORMED：歸一化平方不同，越接近0越相關(guān)
TM_CCORR_NORMED：歸一化相關(guān)性，越接近1越相關(guān)
TM_CCOEFF_NORMED：歸一化相關(guān)系數(shù)，越接近1越相關(guān)
建議：盡量使用歸一化的方法
①模板匹配
讀取圖片以及需要匹配的模板，并將其進(jìn)行灰度化處理：
下面得到的h,w就是模板的長和寬
通過matchTemplate的方法進(jìn)行匹配：
②匹配框線繪制
對于匹配所得的返回值，通過minMaxLoc得到最小值和最大值，以及各自對應(yīng)的坐標(biāo)。根據(jù)選擇的方法不同，所需要的目標(biāo)值不同。比如TM_SQDIFF_NORMED：歸一化平方不同，就是越接近0越相關(guān)，即越小越好。
得到了最佳的值以及坐標(biāo)，就可以畫出來矩形框。
在rectangle方法中，參數(shù)依次是：要畫框的圖片，框的左上角坐標(biāo)，框的右下角坐標(biāo)，框的亮度，框的線條粗細(xì)。結(jié)果如下：
③多對象匹配
模板匹配也可匹配多個對象，若圖片中有多個和模板匹配的內(nèi)容，cv.matchTemplate返回的內(nèi)容中會有多個分?jǐn)?shù)高的結(jié)果，設(shè)定閾值后，把分?jǐn)?shù)高的結(jié)果的坐標(biāo)，按同樣的方式處理，把方框全部畫出來即可。
4.直方圖統(tǒng)計
①直方圖繪制
可直接通過plt.hist方法，將圖像矩陣扁平化之后，繪制不同的像素出現(xiàn)的頻率直方圖。
②直方圖統(tǒng)計
cv2.calcHist(images,channels,mask,histSize,ranges)
參數(shù)中：
imges：傳入的圖像
channels：顏色通道，如果是灰度圖就是[0]，如果是彩色可以是[0],[1],[2]。分別對應(yīng)著BGR。
mask：掩膜，如果需要對圖像進(jìn)行掩膜處理可以傳入此參數(shù)。
histSize：就是bin的數(shù)目，可以直接填入[256]
ranges：像素值范圍，常為：[0,256]
注意：傳入?yún)?shù)時，都需要用中括號括起來。
calcHist返回值是對應(yīng)顏色的統(tǒng)計值。當(dāng)i是0的時候，就是B，1對應(yīng)G，2對應(yīng)R
③直方圖的mask操作
創(chuàng)建mask，此處使用圖片的長寬作為mask的長寬，并把需要展示的地方置為1，其他地方置為0即可。
通過bitwise_and，即“與”操作，即可實現(xiàn)掩膜操作。
把Mask應(yīng)用到圖片中，并畫出直方圖：
④直方圖均衡化
通過cv.equalizeHist方法，可以對直方圖進(jìn)行均衡化
直方圖前后對比如下：
對應(yīng)的圖像發(fā)生的變化如下：
以上的方式是對全局直接進(jìn)行均衡化。可以看出圖中雕像的臉變得模糊。通過自適應(yīng)直方圖均衡化可解決此問題，自適應(yīng)均衡化是通過將圖片分成不同的小塊，對每一小塊進(jìn)行各自的均衡化。
5.傅里葉變換
低通濾波是保留低頻，圖像會變得模糊。高通濾波是保留高頻，圖像的細(xì)節(jié)會增強(qiáng)。
在opencv中主要是cv2.dft()和cv2.idft()，輸入圖像需要先轉(zhuǎn)換成np.float32的格式 得到的結(jié)果中，頻率為0的部分會在左上角，通常要轉(zhuǎn)換到中心位置，可以通過shift變換來實現(xiàn) cv2.dft()得到的結(jié)果是雙通道的（實部、虛部），通常還需要轉(zhuǎn)換成圖像格式才能展示（0,255）
上圖是將圖片轉(zhuǎn)換到頻域之后，轉(zhuǎn)換成灰度圖并且展示的形式。
在低通濾波中，當(dāng)轉(zhuǎn)換到頻域并把低頻的放到中間后，只需要設(shè)置一個掩膜，即可把圖像高頻濾除掉。然后在通過逆轉(zhuǎn)換，還原圖像即可。具體代碼如下：
在高通濾波器中，只需要把上面的代碼中的掩膜轉(zhuǎn)換一下，把0換成1,1換成0即可實現(xiàn)高通濾波。最終的圖片展示如下：
可以看出，圖片只保留了高頻，也就是變化劇烈的部分，也就是圖像中的邊緣。
以上就是python計算機(jī)視覺opencv圖像金字塔輪廓及模板匹配的詳細(xì)內(nèi)容，更多關(guān)于python opencv圖像金字塔輪廓及模板匹配的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://blog.csdn.net/Swayzzu/article/details/120872759
