阅读量:5
目录
从图像中提取矩形区域的子像素精度补偿 (getRectSubPix)
http://t.csdnimg.cn/i8pqt —— opencv—常用函数学习_“干货“_总（VIP）
散的正在一部分一部分发，不需要VIP。
资料整理不易，有用话给个赞和收藏吧。
十九、模板匹配
在OpenCV中，模板匹配是图像处理和计算机视觉中的一种重要技术，用于在大图像中找到与模板图像匹配的区域。下面介绍一些常用的模板匹配函数及其使用示例。
| 模板匹配函数 | ||
| getRectSubPix | matchTemplate | matchShapes |
| 从图像中提取矩形区域的子像素精度补偿 | 在图像中搜索和匹配模板 | 比较两个形状（轮廓）的相似度 |
从图像中提取矩形区域的子像素精度补偿 (getRectSubPix)
import cv2 import numpy as np # 读取图像 image = cv2.imread('path_to_image.jpg') # 定义中心和大小 center = (50, 50) patch_size = (100, 100) # 提取矩形区域 patch = cv2.getRectSubPix(image, patch_size, center) cv2.imshow('Original Image', image) cv2.imshow('Extracted Patch', patch) cv2.waitKey(0) cv2.destroyAllWindows() 在图像中搜索和匹配模板 (matchTemplate)
# 读取图像和模板 image = cv2.imread('path_to_image.jpg', 0) template = cv2.imread('path_to_template.jpg', 0) # 进行模板匹配 result = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED) # 获取最佳匹配位置 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) # 绘制匹配结果 top_left = max_loc h, w = template.shape bottom_right = (top_left[0] + w, top_left[1] + h) cv2.rectangle(image, top_left, bottom_right, 255, 2) cv2.imshow('Template Matched', image) cv2.waitKey(0) cv2.destroyAllWindows() 比较两个形状（轮廓）的相似度 (matchShapes)
# 读取图像并转换为灰度图 image1 = cv2.imread('path_to_image1.jpg', 0) image2 = cv2.imread('path_to_image2.jpg', 0) # 阈值化 _, binary1 = cv2.threshold(image1, 127, 255, cv2.THRESH_BINARY) _, binary2 = cv2.threshold(image2, 127, 255, cv2.THRESH_BINARY) # 提取轮廓 contours1, _ = cv2.findContours(binary1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours2, _ = cv2.findContours(binary2, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 计算相似度 if contours1 and contours2: similarity = cv2.matchShapes(contours1[0], contours2[0], cv2.CONTOURS_MATCH_I1, 0.0) print(f'Shape similarity: {similarity}') 解释
getRectSubPix：从图像中提取矩形区域的子像素精度补偿，适用于需要高精度提取的场景。matchTemplate：在大图像中搜索和匹配模板，返回一个相似度图，可以进一步处理以找到最佳匹配位置。matchShapes：比较两个形状（轮廓）的相似度，返回一个相似度值，值越小表示形状越相似。
这些示例展示了如何使用OpenCV中的各种模板匹配函数来处理图像。根据具体的应用需求，可以灵活运用这些函数来实现复杂的模板匹配任务。
二十、图像矩
在OpenCV中，图像矩是图像的一个重要特征，用于描述图像的形状和分布。常用的图像矩函数包括 moments 和 HuMoments。下面介绍这些函数及其使用示例。
| 图像矩函数 | |
| moments | HuMoments |
| 计算图像或轮廓的矩 | 计算图像或轮廓的Hu不变矩 |
计算图像或轮廓的矩 (moments)
import cv2 import numpy as np # 读取图像并转换为灰度图 image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE) # 应用阈值处理 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 计算轮廓 contours, _ = cv2.findContours(binary_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 计算第一个轮廓的矩 if contours: moments = cv2.moments(contours[0]) print("Moments:", moments) 计算图像或轮廓的Hu不变矩 (HuMoments)
# 计算第一个轮廓的矩 if contours: moments = cv2.moments(contours[0]) # 计算Hu不变矩 hu_moments = cv2.HuMoments(moments).flatten() print("Hu Moments:", hu_moments) 解释
moments：计算图像或轮廓的矩，返回一个包含多种矩（如零阶矩、一阶矩、二阶矩等）的字典。这些矩可以用来计算图像的质心、面积、惯性矩等。HuMoments：根据普通矩计算Hu不变矩，返回7个不变矩。这些不变矩对图像的缩放、旋转和镜像变换保持不变，是一种强有力的形状特征。
使用示例
下面是一个综合的示例，展示了如何使用moments和HuMoments来计算图像或轮廓的矩和不变矩。
import cv2 import numpy as np # 读取图像并转换为灰度图 image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE) # 应用阈值处理 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 计算轮廓 contours, _ = cv2.findContours(binary_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 计算第一个轮廓的矩和Hu不变矩 if contours: contour = contours[0] # 计算矩 moments = cv2.moments(contour) print("Moments:", moments) # 计算质心 cX = int(moments["m10"] / moments["m00"]) cY = int(moments["m01"] / moments["m00"]) print("Centroid:", (cX, cY)) # 计算Hu不变矩 hu_moments = cv2.HuMoments(moments).flatten() print("Hu Moments:", hu_moments) # 在图像上绘制轮廓和质心 image_color = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR) cv2.drawContours(image_color, [contour], -1, (0, 255, 0), 2) cv2.circle(image_color, (cX, cY), 5, (0, 0, 255), -1) cv2.imshow("Contour with Centroid", image_color) cv2.waitKey(0) cv2.destroyAllWindows() 这些示例展示了如何使用OpenCV中的图像矩函数来处理图像，根据具体的应用需求，可以灵活运用这些函数来实现复杂的图像特征提取和分析任务。
二一、查找表变换
在OpenCV中，查找表（LUT，Look-Up Table）变换是一种高效的像素值映射方法，用于对图像进行各种非线性变换。通过预先定义一个查找表，可以快速地将输入图像的像素值转换为输出图像的像素值。OpenCV提供了LUT函数来实现这一功能。
| 查找表变换函数 | |
| LUT | 使用查找表对图像进行变换 |
使用查找表对图像进行变换 (LUT)
import cv2 import numpy as np # 读取图像 image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE) # 定义一个查找表，将像素值变换为其平方根的结果 lut = np.array([np.sqrt(i) * 16 for i in range(256)], dtype=np.uint8) # 应用查找表变换 result_image = cv2.LUT(image, lut) # 显示原图像和变换后的图像 cv2.imshow('Original Image', image) cv2.imshow('LUT Transformed Image', result_image) cv2.waitKey(0) cv2.destroyAllWindows() 解释
- 定义查找表：在这个示例中，我们定义了一个查找表
lut，将每个像素值映射到其平方根乘以16的值。np.sqrt(i) * 16用于计算像素值的平方根并放大以增加对比度。 - 应用查找表变换：使用
cv2.LUT函数将查找表应用于图像。这将图像中的每个像素值替换为查找表中对应的值。
实际应用
查找表变换在图像处理中的应用非常广泛，常用于以下场景：
- 伽马校正：调整图像的亮度和对比度。
- 颜色映射：将灰度图像映射到伪彩色图像。
- 非线性增强：对图像进行对数变换、指数变换等非线性增强。
伽马校正的示例
# 伽马校正的查找表 gamma = 2.2 lut = np.array([((i / 255.0) ** gamma) * 255 for i in range(256)], dtype=np.uint8) # 应用查找表变换 gamma_corrected_image = cv2.LUT(image, lut) # 显示伽马校正后的图像 cv2.imshow('Gamma Corrected Image', gamma_corrected_image) cv2.waitKey(0) cv2.destroyAllWindows() 在这个示例中，我们定义了一个用于伽马校正的查找表lut，并将其应用于图像以实现伽马校正效果。
通过这些示例，可以看到如何使用OpenCV中的LUT函数来实现各种查找表变换。根据具体的应用需求，可以灵活定义查找表并应用于图像处理任务。
