文章目录
一、图像金字塔
在池化中，有一个金字塔池化，他们的意思都差不多，就是利用不同尺度大小的特征，而图像金字塔池化也是一样，对于一张图像而言，
尺寸越小，包含的信息越多，相应的分辨率也会大大减小，所以图像金字塔就是不同尺寸的相同图像。
（1）高斯金字塔
（i）高斯金字塔向下采样（下采样）[缩小]
下采样过程中，H、W 依次减小一半，面积相应的减小为原来的1/4。
1、使用高斯滤波器对图像进行平滑处理
2、将所有偶数行和列丢弃（h、w 减半）
语法：
down_img = cv2.pyrDown(img)
常见的高斯核3x3，5x5：
（ii）高斯金字塔向上采样（上采样）[放大]
1、将图像在每个方向扩大为原来的两倍，新增的行和列以0填充
2、使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值。
语法：
up_img = cv2.pyrUp(img)
（iii） 代码示例
import cv2
import numpy as np
img = cv2.imread('lena1.jpg')
# 高斯金字塔向下采样（缩小）
down = cv2.pyrDown(img)
# 高斯金字塔向上采样（放大）
up = cv2.pyrUp(img)
def cv_show(img):
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyWindow()
cv_show(img)
cv_show(down)
cv_show(up) #太大了 不展示了
如果先下采样，在上采样，会不会恢复呢？
大小可以恢复，但是图像的真实度存在丢失，恢复不了。因为不管是下采样还是上采样，都存在着失真的过程。
（2）拉普拉斯金字塔
图像的拉普拉斯金字塔可以由图像的高斯金字塔得到，没有单独的函数。
公式：
L
i
=
G
i
?
p
y
r
U
p
(
p
y
r
D
o
w
n
(
G
i
)
)
L_{i} = {G}_i - pyrUp(pyrDown(G_{i}))
Li?=Gi??pyrUp(pyrDown(Gi?))
or
L
i
=
G
i
?
p
y
r
U
p
(
G
i
+
1
)
L_{i} = {G}_i - pyrUp(G_{i+1})
Li?=Gi??pyrUp(Gi+1?)
G
i
+
1
=
p
y
r
D
o
w
n
(
G
i
)
G_{i+1} = pyrDown(G_{i})
Gi+1?=pyrDown(Gi?)
（i）代码示例
# 高斯金字塔向下采样（缩小）
down = cv2.pyrDown(img)
# 高斯金字塔向上采样（放大）
down_up = cv2.pyrUp(down)
l_img = img-down_up
cv_show(l_img)
二、轮廓检测
语法：
cv2.findContours(img,mode,method)
mode:轮廓检索模式
- cv2.RETR_EXTERNAL : 只检索最外面的轮廓；
- cv2.RETR_LIST : 检索所有的轮廓，并将其保存到一条链表当中；
- cv2.RETR_CCOMP : 检索所有的轮廓，并将他们组织为两层；顶层是各部门的外部边界，第二层是空洞的边界；
- cv2.RETR_TREE : 检索所有的轮廓，并重构嵌套轮廓的整个层次； #常用
method：轮廓逼近方法
- cv2.CHAIN_APPROX_NONE ：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）；
- cv2.CHAIN_APPROX_SIMPLE ：压缩水平的、垂直的和斜的部门，也就是函数只保留他们的终点部分；
# 1、图像处理 灰度图--->二值图 提高精度
img = cv2.imread('lena1.jpg')
gray_img = cv2.imread('lena1.jpg',cv2.IMREAD_GRAYSCALE)
ret,thresh = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY)
二值化图
# 2、寻找轮廓，并保存在相应的列表里边（contours）
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
（1）绘制轮廓
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
- draw_img : 在哪张图像中去画出轮廓；
- contours : 通过寻找轮廓得到的轮廓列表；
- -1，表示，把所有的轮廓都画上，当然也可以 指定 1，2，3，4等画第几个，一般都是 -1
- （0，0，255）代表用什么颜色去画轮廓；B、G、R
- 2，代表画出轮廓的粗细
# 3、 绘制轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res)
#为了更高的准确率，使用二值图像
img = cv2.imread('img.png')
gray_img = cv2.imread('img.png',cv2.IMREAD_GRAYSCALE)
ret,thresh = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY)
#cv_show(thresh)
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#绘制轮廓
draw_img = img.copy()
# -1，画出两个轮廓 可选 0,1
res = cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show(res)
（2）轮廓特征
（1）面积
cnt = contours[0]
#面积
cv2.contourArea(cnt)
（2）周长
cnt = contours[0]
# 周长
cv2.arcLength(cnt,True)# True 代表闭环
（3）轮廓近似
img = cv2.imread('img.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[1]
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,1,(0,0,255),2)
#cv_show(res)
epsilon = 0.09*cv2.arcLength(cnt,True)##给定阈值
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show(res)
（i）边界矩形
x,y,w,h = cv2.boundingRect()
- 返回四个值，分别是x，y，w，h；
- x，y是矩阵左上点的坐标，w，h是矩阵的宽和高
然后利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,0,255), 2)画出矩行
第一个参数：img是原图
第二个参数：（x，y）是矩阵的左上点坐标
第三个参数：（x+w，y+h）是矩阵的右下点坐标
第四个参数：（0,255,0）是画线对应的rgb颜色
第五个参数：2是所画的线的宽度
# 边界矩形
img = cv2.imread('img.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[1]
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,1,(0,0,255),2)
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),2)
cv_show(img)
# 轮廓面积和边界矩形面积比值
area = cv2.contourArea(cnt) # 计算轮廓面积
x,y,w,h = cv2.boundingRect(cnt) #得到矩形 w,h
rect_area = w*h
extent = float(area)/rect_area
print("轮廓面积和边界矩形面积比值：",extent)
#轮廓面积和边界矩形面积比值： 0.3365312107247591
（ii）外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
- （x,y） 圆心
- radius 半径
- cnt 轮廓（可以选取哪一个轮廓）
img = cv2.circle(img,center,radius,(0,0,255),2) 画出圆
(x,y),radius = cv2.minEnclosingCircle(cnt) # 得到圆心和半径
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,0,255),2)
cv_show(img)
三、模板匹配
（i）单目标匹配
模板匹配和卷积原理很像，模板在原图像撒花姑娘从原点开始滑动，计算模板和（原图中被模板覆盖的地方）的差别程度，这个差别程度
的计算方法有6种，然后将每次计算的结果放入一个矩阵中，作为结果输出。假如原图像的大小为AXB,模板大小为 axb，则输出结果矩阵
为（A-a+1）x(B-b+1)。
语法：
res = cv2.matchTemplate(img,template,method)
- res ： 每个窗口的得到的结果值。相当于 那脸去整个人图像 滑动，没滑动一次，得到对应窗口的一个计算差别程度的值，
根据计算方法的不同，选择最大或者最小的。
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
- minVal：最小值，可输入NULL表示不需要。
- maxVal ：最大值，可输入NULL表示不需要。
- minLoc：最小值的位置，可输入NULL表示不需要，Point类型。
- maxLoc：最大值的位置，可输入NULL表示不需要，Point类型。
计算差别程度（method）：
cv2.TM_SQDIFF ：计算平方不同，计算出来的值越小，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，计算出来的值越大，越相关；
cv2.TM_SQDIFF_NORMED ：计算归一化平方不同，计算出来的值越接近于0，越相关；
cv2.TM_CCORR_NORMED ：计算归一化相关性，计算出来的值越接近于1，越相关；
cv2.TM_CCOEFF_NORMED ：计算归一化相关系数，计算出来的值越接近于1，越相关；
# 1、首先读入 原始图像和要匹配的图
img = cv2.imread('lena1.jpg',0 )# 512,512
template = cv2.imread('face.jpg',0) #186,157
h,w = template.shape[:2]
# res = cv2.matchTemplate(img,template,meth) #(327, 356) 512-186+1=327,512-157+1=356
method = ['cv2.TM_SQDIFF',
'cv2.TM_CCORR',
'cv2.TM_CCOEFF',
'cv2.TM_SQDIFF_NORMED',
'cv2.TM_CCORR_NORMED',
'cv2.TM_CCOEFF_NORMED']
for meth in range(len(method)):
img2 = img.copy()
# 匹配后的图像
res = cv2.matchTemplate(img,template,meth) #(327, 356)
#
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
if meth in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
# 检测框的 w,h
bottom_right = (top_left[0]+w,top_left[1]+h) #得到 检测框的 w,h
# 画矩形 (原图，(左顶点位置)，（框的w,h）,框颜色，宽度 )
cv2.rectangle(img2,top_left,bottom_right,255,2)
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(method[meth])
plt.show()
（ii）多目标匹配
多个人脸，或者多个目标去匹配。
# 匹配多个对象
img = cv2.imread('most.jpg' )# 512,512
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
template = cv2.imread('face2.jpg',0) #186,157
h,w = template.shape[:2]
result = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
#print(result)
threshold = 0.8
# 取匹配程度大于 80%的坐标
loc = np.where(result>=threshold)
for pt in zip(*loc[::-1]):
#print(pt)
bottom_right = (pt[0]+w,pt[1]+h)
cv2.rectangle(img,pt,bottom_right,(0,0,255),1)
cv_show(img)
