【opencv】(7) 图像匹配、直方图、图像均衡化
各位同学好,今天和大家分享一下opencv中图像匹配方法,和图像均衡化方法
(1)模板匹配: cv2.matchTemplate();(2)图像直方图: cv2.calcHist();(3)图像均衡化: cv2.equalizeHist();(4)自适应均衡化: cv2.createCLAHE()
1. 模板匹配
模板匹配和卷积的原理很像,模板在原图像上从原点开始滑动(从左到右, 从上到下),计算模板与(图像被模板覆盖的地方)的差别程度,在opencv中计算差别程度有6种计算方法。然后将每次计算结果放入一个矩阵里,作为输出结果。假如原图形是A*B大小,而模板是a*b大小,则输出结果的矩阵大小是(A-a+1)*(B-b+1)
匹配方法:
cv2.matchTemplate(img, templ, method)
参数:
img: 原始图像
temple: 模板图像
method: 匹配度计算方法,如下:
cv2.TM_SQDIFF: 计算平方差,计算结果越小,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,计算出的值越大,越相关
cv2.TM_SQDIFF_NORMED: 计算归一化平方差,计算结果越接近0,越相关
cv2.TM_CCORR_NORMED: 计算归一化相关性,计算结果越接近1,越相关
cv2.TM_CCOEFF_NORMED: 计算归一化相关系数,计算结果越接近1,越相关
在开始前我们先导入需要用的库函和图像,定义一个图像显示函数,方便后续操作
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 获取图片所在文件夹
filepath = 'C:\\...\\opencv\\img'
# 获取文件夹中的某一张图片,0代表转化灰度图
img = cv2.imread(filepath+'\\team.jpg',0)
# 原图上的一块模板
template = cv2.imread(filepath+'\\face.jpg',0)
# 定义绘图函数
def cv_show(name,img):cv2.imshow(name,img) # 传入自定义图像名,和图像变量cv2.waitKey(0) # 图片不会自动消失cv2.destroyWindow() # 手动关闭窗口
# 显示图像
cv_show('img',img)
cv_show('face',template)
我们需要在第一张图img中找到模板face的位置,并把它框出来
1.1 匹配单个对象
模板在原图像上移动时,返回匹配度最高的一块区域。这里使用v2.TM_SQDIFF平方差计算方法,值越小代表匹配度越高。res中保存所有的计算结果,使用cv2.minMaxLoc()函数,获取res中的最值及最值最在的坐标位置,最值坐标是指左上角坐标(x, y),根据坐标位置和模板的宽和高,可以在原图像中画出目标所在位置。x轴向右为正,y轴向下为正,获得目标右下角坐标(x+w, y+h)。注意在template.shape中提取模板尺寸的时候,shape[0]保存的是高,shape[1]保存的是宽。
#(1)匹配单个对象
# img代表原始图像,template代表模板窗口,1默认为cv2.TM_SQDIFF方法
res = cv2.matchTemplate(img, template, 1)
# 获取结果的最值和最值位置
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
# 最值位置是左上角的坐标位置,通过模板的宽和高可以在原图上把模板位置画出来
h,w = template.shape # shape值是(高,宽)
# 找出右下位置
bottom_loc = (min_loc[0]+w,min_loc[1]+h)
# 复制一份图像,不然画框的时候原图像会变
draw = img.copy()
# 输入图像画板draw,左上坐标,右下坐标
cv2.rectangle(draw,min_loc,bottom_loc,(0,0,255),2)
# 绘图
plt.subplot(121)
plt.imshow(res,cmap='gray') # 计算出的每一个窗口的结果值
plt.subplot(122)
plt.imshow(draw,cmap='gray') # 在画板上把目标值框出来
plt.tight_layout() #自动排版
左侧是res的图像是模板和整个图像运算后的结果,右侧框出来的是匹配度最高的图像,匹配正确
1.2 多目标匹配
设定一个阈值,只要模板和图像运算后的结果大于这个阈值,就将这个区域框出来,不单单识别匹配度最高的,只要满足给定的条件就行。
在这里使用cv2.TM_SQDIFF_NORMED归一化平方差来表明匹配度,只要匹配度小于0.2,就将这个区域选出来。使用np.where()函数来获取所有满足阈值条件的区域的左上角坐标点,需要注意的是,获取的坐标点loc中依次保存的是高和宽,即(y, x),而我们在画矩形框的时候需要的坐标pt是(x, y),因此需要把loc的坐标顺序翻转一下。得到左上角坐标(x, y),右下角坐标(x+w, y+h)
# 导入灰度图
img = cv2.imread(filepath+'\\team.jpg',0) # 原图
template = cv2.imread(filepath+'\\face.jpg',0) # 从原图上取下的一块
h,w = template.shape # 获取模板的高和宽
# 图像匹配,使用归一化相关系数
res = cv2.matchTemplate(img,template,cv2.TM_SQDIFF_NORMED)
# 设置阈值,只要计算出的归一化平方差小于0.2就把那一块位置找出来
threshold = 0.2
loc = np.where(res<threshold) #输出满足条件的坐标
# 绘制所有的满足匹配度的窗口
# zip(*) 可理解为解压,返回二维矩阵式。loc中loc[0]是高,loc[1]是宽,[::-1]表示倒序。p[0]代表宽,p[1]代表高
for pt in zip(*loc[::-1]): bottom_loc = (pt[0]+w,pt[1]+h)cv2.rectangle(img,pt,bottom_loc,(0,0,255),1) # 参数:图像,左上坐标,右下坐标,线条颜色,线条粗细
# 绘图
cv2.imshow('img',img)
cv2.waitKey(0)
线条粗细代表匹配度,中间的可能性最大,(都是同一个人...)
2. 图像直方图
同样,我们先导入需要的库,和图像文件,再定义一个图像显示函数
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 获取图片所在文件夹
filepath = 'C:\\...\\opencv\\img'
# 定义绘图函数
def cv_show(name,img):# 传入自定义图像名,即图像变量cv2.imshow(name,img) # 图片不会自动消失cv2.waitKey(0)# 手动关闭窗口cv2.destroyWindow()
2.1 直方图绘制
用于统计图像上每个像素值出现的次数。
(1)方法1:使用matplot绘制直方图
# 导入图像
img = cv2.imread(filepath+'\\mh.jpg',0) #0代表灰度图
# 直方图展示
plt.hist(img.ravel(),256) #ravel将二维拉长成一维,统计0-255每个像素值出现的个数
plt.show()
读入的img是灰度图,只有两个维度,将它变成一维统计像素值出现个数,设置range=[0,256]顾头不顾尾,对0-255每一个像素值计数。
(2)方法2:使用cv2.calcHist()函数
cv2.calcHist(img, channels, mask, histsize, ranges)
img:输入图像的图像格式为uint8或float32,当传入函数时,应用中括号,[img]
channels:是用中括号来告知函数绘制图像直方图。如果输入的是灰度图,则值为[0];如果是彩图,传入的参数可以是[0]或[1]或[2],分别对应BGR
mask:掩模图像,统计整幅图的直方图就是None。如果画某一部分直方图,需要制作一个掩模图像并使用。掩模大小和img一样的np数组,需要的部分为255,不需要的部分为0.
histSize:BIN的数目。应使用中括号,控制x轴取值区间,一般为256
ranges:使用中括号表示像素值范围[0, 256]顾头不顾尾
下面对彩图img进行直方图统计,不使用掩模,分别统计图像BGR三通道上的各个像素值出现了多少次,使用折线图绘制曲线。hist中保存的是每个通道每个像素值出现的次数。
img = cv2.imread(filepath+'\\mh.jpg') # 以彩色图为例
color = ['b','g','r'] #分别研究三颜色通道的直方图,用颜色区分
for i,col in enumerate(color): #enumerate遍历数据对象,返回数据和对应下标# i存放color下标,col存放具体值 hist = cv2.calcHist([img], [i], None, [256], [0,256])plt.plot(hist, color=col, label=f'{col}--channel') # 绘制三通道上每个通道像素点出现的个数的折线图plt.xlim([0,256])
plt.legend()
2.2 掩模mask操作
掩模mask的大小和原图像大小一致。掩模中只有两部分,0和255,一部分为白色一部分为黑色。掩模中白色部分覆盖到的区域保留原图,黑色部分覆盖到的区域置为0。
如果我们读入的图像时一张彩图,在构建np数组时,需要舍弃第三个维度,即通道。保留前两个维度img.shape[:2],掩模的size和原图像相同。由于mask是一个数组,可以使用切片的方法将需要保留的位置变成白色255。
使用图像按位操作方法:cv2.bitwise_and(src1, src2, mask)
src: 输入图像
mask:掩膜,用一副二值化图片对另外一幅图片进行局部的遮
分别统计加了掩模和没加掩模的图像的像素点个数来对比。
img = cv2.imread(filepath+'\\shandi.jpg',0)
# 创建mask,由于如果img是彩图就是三维,舍弃通道取长和宽,创建一个和img相同大小的mask
mask = np.zeros(img.shape[:2],np.uint8) # 8位无符号整型,0-255
# 使用切片方法,将maks中的一部分变成255白色
mask[200:700,200:700] = 255
# 在图像上覆盖一层掩模
masked_img = cv2.bitwise_and(img,img,mask=mask)
# 直方图统计
hist_full = cv2.calcHist([img],[0],None,[256],[0,256]) # 无掩模
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256]) # 有掩模
# 绘图
plt.subplot(221),plt.imshow(img,'gray') # 原图,绘制灰度图,不然颜色太杂
plt.subplot(222),plt.imshow(mask,'gray') # 掩模图
plt.subplot(223),plt.imshow(masked_img,'gray') # 掩模覆盖原图
plt.subplot(224),plt.plot(hist_full,label='non-mask'),plt.plot(hist_mask,label='masked') #像素值统计
plt.legend()
plt.tight_layout()
plt.show()
3. 图像均衡化
图像的直方图是对图像对比度效果上的一种处理,旨在使得图像整体效果均匀。原始图像由于其灰度分布可能集中在较窄的区间,造成图像不够清晰。通过改变图像的直方图,来改变图像中各像素的灰度,用于增强局部的对比度而不影响整体的对比度。这种方法对于背景和前景都太亮或者太暗的图像非常有用。
直方图均衡化的基本原理:对在图像中像素个数多的灰度值(即对画面起主要作用的灰度值)进行展宽,而对像素个数少的灰度值(即对画面不起主要作用的灰度值)进行归并,从而增大对比度,使图像清晰,达到增强的目的。
均衡化函数: cv2.equalizeHist(img)
img:指需要均衡化的原图像,灰度图像。返回值为均衡化后的图像。
3.1 对图像整体进行均衡化
# 原图像有些位置的像素值特别多,有的位置很少
img = cv2.imread(filepath+'\\mh1.jpg',0) #0灰度图
plt.hist(img.ravel(),256) #0-255每一个值出现了多少次
plt.show()
# ==2== 均衡化
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256) # 将均衡化后的图像使用ravel()拉长成一维,计算0-255每个值出现的次数
plt.show
# ==3== 图像展示,整体做均衡化会丢失一些细节
res = np.hstack((img,equ)) # 将两张图组合在一起
cv_show('res',res)
左图时原始图像的像素直方图,右图是均衡化后的像素直方图
左图为原始图像,右图为均衡化之后的图像。我们看出,对整体均衡化之后会大致一下细节的丢失
3.2 自适应均衡化
整幅图像会被分成很多小块,然后再对每一个小块分别进行直方图均衡化。缺点是:如果有噪声的话,噪声会被放大。为了避免这种情况的出现要使用对比度限制。对于每个小块来说,如果直方图中的bin超过对比度的上限的话,就把 其中的像素点均匀分散到其他 bins中,然后在进行直方图均衡化。
cv.createCLAHE(clipLimit, tileGridSize)
clipLimit: 颜色对比度限制,默认是40
tileGridSize: 进行像素均衡化的网格大小,默认为8*8
img = cv2.imread(filepath+'\\mh1.jpg',0)
# 设置均衡化参数,对比度阈值为2,网格为3*3
clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(3,3))
# 生成自适应均衡化后的图像
res_clahe = clahe.apply(img)
# 将三张图象组合在一起看一下区别
res = np.hstack((img,equ,res_clahe))
cv_show('res',res)
第一张是原图,第二张是整体均衡化之后的图像,第三张是自适应均衡化之后的图像
【opencv】(7) 图像匹配、直方图、图像均衡化相关推荐
- 【opencv学习】【图像直方图和均衡化】
今天学习图像直方图和图像均衡化 一:图像直方图 import cv2 import numpy as np import matplotlib.pyplot as plt# 图像的直方图,就是统计哪些 ...
- c++ opencv 图像处理:直方图处理(直方图均衡化,直方图匹配(规定化))
文章目录 前言 一.直方图(histogram) 二.直方图处理 1.直方图均衡化 2.直方图匹配(规定化) 三.opencv函数总结 1.equalizeHist图像均衡化 2.calcHist获取 ...
- opencv python 实现灰度图像和彩色图像直方图全局均衡化和自适应均衡化
首先进行简单的灰度图像的全局均衡化和自适应均衡化 import cv2 as cv import numpy as npimg = cv.imread('cun.jpg',0)# 全局直方图均衡化 i ...
- opencv中 equalizeHist()均衡化直方图
1.EqualizeHist函数 函数作用: 直方图均衡化,,用于提高图像的质量 2.EqualizeHist函数调用形式 C++: void equalizeHist(InputArray src, ...
- python opencv 直方图均衡_Python+OpenCV:全局直方图均衡化、局部直方图自适应均衡化、直方图比较(Python版)...
1. 全局直方图均衡化 cv2.equalizeHist(src, dst=None)函数只能处理单通道的数据,src为输入图像对象矩阵,必须为单通道的uint8类型的矩阵数据.直方图均衡化可以看作是 ...
- 图像归一化处理 相同像素_图像处理学习笔记(九)——灰度直方图及其均衡化(理论篇)...
本篇介绍灰度直方图和均衡化,也是属于图像灰度变换得范畴: 一.直方图 直方图:表示图像中具有某种灰度级的像素的个数,反映了图像中每种灰度出现的频率.是图像最基本的统计特征. 横坐标:灰度级: 纵坐标: ...
- 实验3 绘制图像直方图、直方图像均衡化操作
1.读入一幅自己拍摄的照片,分别用 imhist.bar.stem 及 plot 四种方法绘制对应的直方图,在同一个窗口内分成四个子窗口来分别显示,注上文字标题. f=imread('test4-1. ...
- OpenCV+python:直方图的应用(一)
1,直方图均衡化 (Histogram Equalization) 假如图像的灰度分布不均匀,其灰度分布集中在较窄的范围内,使图像的细节不够清晰,对比度较低.直方图均衡化,对图像进行非线性拉伸,重新分 ...
- opencv4 c++ 提取图片中的白色区域_修正!【从零学习OpenCV 4】分割图像——分水岭法...
点击上方"小白学视觉",选择"星标"公众号重磅干货,第一时间送达 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4入门书籍<OpenCV 4开 ...
最新文章
- jQuery中的页面载入($()、ready(fn)、onload)
- 一次搞定OpenCV源码及扩展模块的编译与环境配置
- 小白入门:大型网站技术架构负载均衡技术介绍及学习资源推荐
- mysql cluster 视频_mysql cluster 部署实战
- java date的使用_java:Date类的概述和方法使用
- docker,containerd,runc,docker-shim之间的关系
- 三种常见单片机时钟电路方案,对比其优缺点
- java 分布式同步_Java Web分布式集群搭建(三)——Session同步
- Django编写RESTful API(二):请求和响应
- MySQLBackup 8.0.26 备份与恢复
- 自动语音识别的原理是什么,它的作用是什么
- artcam2008 stp 教程_ArtCAM_中文版使用教程
- C#获取堆栈信息,输出文件名、行号、函数名、列号等
- 基于深度学习生成音乐(mid格式)
- 用安卓设备通过otg完成电脑启动盘装机盘的制作,通过手机在U盘写入iso镜像
- python vecm_用Eviews处理有关VARVECM模型的几个问题
- 广告行业中那些趣事系列25:腾讯2020广告大赛冠军解决方案带来的思考
- 物联网嵌入式系统开发应用软件公司怎么选择
- 第一篇:瑞吉外卖项目概述
- 让16位Pwin3.2程序在64位Win10上跑起来
热门文章
- Error:Could not download guava.jar (com.google.guava:guava:19.0): No cached version available for of
- webview Java与JS互调
- 【题解】P3052 [USACO12MAR]摩天大楼里的奶牛Cows in a Skyscraper
- 数组--存储地址的计算
- hihoCoder #1047 Random Tree
- Linux Supervisor的安装与使用入门
- CF331A1,331A2
- [置顶]2010年东北大学ACM程序设计竞赛冬季校赛题解
- 关于WPF的ComboBox中Items太多而导致加载过慢的问题
- java类型转换面试题_JavaSE:数据类型之间的转换(附常见面试题)