OpenCV自学记录（4）——图像处理基础（模版匹配、图形轮廓）

• 1、图形轮廓
• 1.1 寻找轮廓：findContours()函数
• 1.2 绘制轮廓：drawContours()函数

• 2.1 模板匹配：matchTemplate()函数
• 2.2 获取匹配结果函数：cv2.minMaxLoc()

1、图形轮廓

一个轮廓一般对应一系列的点。也就是图像中的一条直线。

1.1 寻找轮廓：findContours()函数

使用cv2.findContours()函数来查找检测物体的轮廓。

contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

参数意义：
image：寻找轮廓的图像，且为二值图(黑白图)；
mode：轮廓的检索模式，有四种：
1、cv2.RETR_EXTERNAL表示只检测外轮廓
2、 cv2.RETR_LIST检测的轮廓不建立等级关系
3、 cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
4、cv2.RETR_TREE建立一个等级树结构的轮廓。
method：轮廓的近似办法
1、 cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
2、cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
3、cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
返回值
cv2.findContours()函数返回两个值，一个是轮廓本身contours，还有一个是每条轮廓对应的属性hierarchy 。

1.2 绘制轮廓：drawContours()函数

OpenCV中通过cv2.drawContours在图像上绘制轮廓。

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]])

参数意义：
image：指明在哪幅图像上绘制轮廓；
contours：轮廓本身，在Python中是一个list。
contourIdx：指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。后面的参数很简单。其中thickness表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式。

import cv2
img = cv2.imread('02.jpg',0)    #读取图像
ret, binary = cv2.threshold(img,127,255,cv2.THRESH_BINARY) #转为二值图
#寻找轮廓
contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# 为保留原始图像不变，复制一个图片用来绘制轮廓
image = img.copy()
# 在复制图上绘制轮廓
cv2.drawContours(image, contours, -1, (0, 0, 255), 3)
cv2.imshow("Original", img)
cv2.imshow("image", image)
cv2.waitKey(0)

需要注意的是cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图。

参考：
https://blog.csdn.net/weixin_40922285/article/details/102843938
https://blog.csdn.net/sunny2038/article/details/12889059

2、模板匹配

模板匹配就是一项在一副图像中寻找与另一幅模板图像最匹配（相似）部分的技术。模板匹配不是基于直方图，而是通过在输入图像上滑动图像块，对实际图像快和输入图像进行匹配的一种匹配方法。模板类似于卷积操作中的卷积核。

2.1 模板匹配：matchTemplate()函数

cv2.matchTemplate(image, templ, method, result=None, mask=None)

参数意义：
image：待搜索图像
templ：模板图像
result：匹配结果
method：计算匹配程度的方法。关于匹配方法，使用不同的方法产生的结果的意义可能不太一样，有些返回的值越大表示匹配程度越好，而有些方法返回的值越小表示匹配程度越好。
1、CV_TM_SQDIFF 平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。
2、CV_TM_CCORR 相关匹配法：该方法采用乘法操作；数值越大表明匹配程度越好。
3、CV_TM_CCOEFF 相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
4、CV_TM_SQDIFF_NORMED 归一化平方差匹配法
5、CV_TM_CCORR_NORMED 归一化相关匹配法
6、CV_TM_CCOEFF_NORMED 归一化相关系数匹配法

2.2 获取匹配结果函数：cv2.minMaxLoc()

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)

参数说明：
min_val， max_val, min_loc, max_loc 分别表示最小值，最大值，以及最小值和最大值对应的图像中的位置，即是这个矩阵的最小值，最大值，并得到最大值，最小值的索引
ret:cv2.matchTemplate()函数返回的矩阵

实现代码与检测效果：
以下代码实现一个对象的模版匹配：

import cv2

img = cv2.imread('02.jpg', 0)
# 载入模板
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2]
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
#获取匹配结果函数
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
top_left = min_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
# 画矩形
cv2.rectangle(img, top_left, bottom_right, 255, 2)
#显示图片
cv2.imshow('model',img)
cv2.waitKey()
cv2.destroyAllWindows()

多个对象的模板匹配代码：

import cv2
import numpy as np

img_rgb = cv2.imread('02.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('face.jpg',0)
w, h = template.shape[::-1]

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]):
cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2)
#保存图片
#cv2.imwrite('res.png',img)
#显示图片
cv2.imshow('model',img_rgb)
cv2.waitKey()
cv2.destroyAllWindows()

参考：
https://blog.csdn.net/WZZ18191171661/article/details/91345166
https://blog.csdn.net/qq_39507748/article/details/104598222

3、总结

本篇博客介绍了查找轮廓和绘制轮廓的代码，需要注意的是绘制轮廓是在原图上绘制的，为后续的图像处理常复制原图，在复制的图上绘制轮廓。
模板匹配：可以进行单对象匹配和多对象匹配，还可以进行多尺度模板匹配。

图像处理的基础整理完毕，所有的Python代码已整理完毕，可直接运行（图像处理基础）——OpenCV自学记录系列，下一篇博客就可以利用OpenCV完成识别车牌号码的任务了。

• 点赞
• 收藏
• 分享
• 文章举报