Opencv学习笔记（三） |
您所在的位置：网站首页 › 边缘的特征 › Opencv学习笔记（三） |
Opencv学习笔记（三）
|
Opencv学习笔记（三）-----Canny边缘检测和模板匹配
前言一、Canny边缘检测二、模板匹配2.1函数说明2.2匹配步骤2.3模板匹配六种模式对比
三、多模板匹配总结
前言
本文介绍了Canny检测和模板匹配的方法以及代码示例和效果图对比 一、Canny边缘检测Canny函数常用用法：edge = cv2.Canny(image, threshold1, threshold2) 参数image：是需要处理的原图像，该图像必须为单通道的灰度图； 参数threshold1：阈值1； 参数threshold2：阈值2； 其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。 四组不同的边界阈值的对比效果图，代码如下： # -*- coding: utf-8 -*- import numpy as np import cv2 def cv_show(img,name,writename): cv2.imshow(name,img) cv2.imwrite(writename,img) cv2.waitKey() cv2.destroyAllWindows() img = cv2.imread('lena.jpg',0) # 指定的边界越小检测得越详细 v1 = cv2.Canny(img,100,200) v2 = cv2.Canny(img,40,200) v3 = cv2.Canny(img,40,100) v4 = cv2.Canny(img,20,50) # 对比四组不同的边界阈值的处理效果 res = np.hstack((v1,v2,v3,v4)) cv_show(res,'res','res.jpg')
使用模板在图像中查找目标，找到原图中模板的坐标，根据模板的大小可以框出原图中模板位置； 2.1函数说明函数res = cv2.matchTemplate(img,template,method): 参数img:待匹配的图像(原图) 参数temple:搜索模板,需要和原图一样的数据类型且尺寸不能大于原图像 参数method:指定匹配方法,有如下几种: CV_TM_CCOEFF:计算相关系数，计算的值越大，越相关； CV_TM_CCOEFF_NORMED:归一化相关系数匹配法，计算的值越接近1，越相关； CV_TM_CCORR:计算相关性，计算的值越大，越相关； CV_TM_CCORR_NORMED:计算归一化相关性，计算的值越接近1，越相关； CV_TM_SQDIFF:计算平方差，计算的值越小，越相关； CV_TM_SQDIFF_NORMED:计算归一化平方差，计算的值越接近0，越相关； 函数min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)： 参数res为cv2.matchTemplate处理后得到的矩阵； 返回值为图像中模板的最小值和最大值和对应位置； 2.2匹配步骤第一步：读入原图片和模板图片的灰度图； 第二步：使用cv2.matchtemplate(img, template, method) 设置匹配方法进行模板匹配，获得大量的结果； 第三步：使用min_val, max_val, min_loc, max_loc = cv2.minMaxLoc() 找出最大值数所在的位置； 第四步：使用cv2.rectangle() 画框操作； 2.3模板匹配六种模式对比 # -*- coding: utf-8 -*- import numpy as np import cv2 from matplotlib import pyplot as plt def cv_show(img, name, writename): cv2.imshow(name, img) cv2.imwrite(writename, img) cv2.waitKey() cv2.destroyAllWindows() # 读取原始图像 img = cv2.imread('lena.jpg ',0) # 读取模板图像 template = cv2.imread('modle.png',0) # 获取模板高h和长w h = template.shape[0] w = template.shape[1] methods =['cv2.TM_CCOEFF','cv2.TM_CCOEFF_NORMED','cv2.TM_CCORR','cv2.TM_CCORR_NORMED','cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED'] png = '.png' for meth in methods: #复制原图，因为在做处理时会修改原图 img2 = img.copy() #匹配方法的真值 method = eval(meth) #模板匹配方法设置 res = cv2.matchTemplate(img, template, method) # 获取图像中最小值和最大值的位置 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) #如果是平方差匹配cv2.TM_SQDIFF或归一化平方差匹配到cv2.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) # 在原图中画模板位置矩形 cv2.rectangle(img2,top_left,bottom_right,255,2) #每张图的保存名称 endname = meth + png plt.subplot(121),plt.imshow(res,cmap='gray') plt.xticks([]),plt.yticks([]) plt.subplot(122),plt.imshow(img2, cmap='gray') plt.xticks([]),plt.yticks([]) plt.suptitle(meth) #保存每张图 plt.savefig(endname) plt.show()
多模板匹配使用的是一个阈值，当大于这个阈值时，我们认为已经获得一个模板的匹配值，而cv2.matchTemplate匹配出的res是不同匹配方法得到的矩阵； 第一步：读入图片原图片和模板并进行灰度化； 第二步：匹配模板，获得res； 第三步：使用np.where(res>0.8) 筛选合适的位置; 第四步：使用loc[::-1]将位置进行调换，使用*loc[::-1]使得矩阵发生拆分，使用zip进行两两组合； 第五步：使用cv2.rectangle画多个矩阵并展示； # -*- coding: utf-8 -*- import numpy as np import cv2 from matplotlib import pyplot as plt # 读取原始图像 img = cv2.imread('mario.jpg') # 对图像进行二值化 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 读取模板图像 template = cv2.imread('mario_coin.jpg',0) # 获取模板高h和长w的范围 h,w = template.shape[:2] # 设定匹配方法 res = cv2.matchTemplate(img_gray, template, cv2.TM_CCORR_NORMED) # threshold = 0.8 # 获取匹配程序大于0.8的坐标 loc = np.where(res >=threshold) # 开始匹配 for pt in zip(*loc[::-1]):#*表示可选参数 bottom_right = (pt[0] + w,pt[1]+ h ) cv2.rectangle(img,pt,bottom_right,(0,0,255),2) cv2.imshow('img', img) cv2.waitKey() cv2.imwrite('mario_end.png', img) cv2.destroyAllWindows()
小白在学习OpenCV过程中的学习笔记，可能理解的不到位，若有不对之处请指正。 |
【本文地址】