OpenCV Learning notes iii

import cv2 #opencvLe format de lecture estBGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib- Oui.RGB
%matplotlib inline 

def cv_show(img,name):
    b,g,r = cv2.split(img)
    img_rgb = cv2.merge((r,g,b))
    plt.imshow(img_rgb)
    plt.show()
def cv_show1(img,name):
    plt.imshow(img)
    plt.show()
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

Histogramme

cv2.calcHist(images,channels,mask,histSize,ranges)

• images: Le format original de l'image est uint8 Ou float32.Lors de l'entrée d'une fonction Entre parenthèses [] Par exemple[img]
• channels: Encore une fois, entre parenthèses, cela nous indiquera la fonction que nous utilisons dans le diagramme Comme l'histogramme de.Si l'image entrante est un diagramme à l'échelle grise, sa valeur est [0]Si c'est une image couleur Les paramètres entrants peuvent être [0][1][2] Ils correspondent respectivement à BGR.
• mask: Image du masque.L'histogramme d'une image entière la rend None.Mais par exemple, Si vous voulez assembler un histogramme d'un point de l'image, vous faites une image de masque et Utilisez - le.
• histSize:BIN Nombre de.Les parenthèses doivent également être placées entre parenthèses
• ranges: La plage de valeurs des pixels est souvent [0256]

img = cv2.imread('cat.jpg',0) #0Représente un diagramme à l'échelle grise
hist = cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape

(256, 1)

plt.hist(img.ravel(),256); 
plt.show()

img = cv2.imread('cat.jpg') 
color = ('b','g','r')
for i,col in enumerate(color): 
    histr = cv2.calcHist([img],[i],None,[256],[0,256]) 
    plt.plot(histr,color = col) 
    plt.xlim([0,256]) 

maskFonctionnement

# Créationmast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show1(mask,'mask')

(414, 500)

img = cv2.imread('cat.jpg', 0)
cv_show1(img,'img')

masked_img = cv2.bitwise_and(img, img, mask=mask)#Fonctionnement
cv_show1(masked_img,'masked_img')

hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()

égalisation des histogrammes

img = cv2.imread('clahe.jpg',0) #0Représente un diagramme à l'échelle grise #clahe
plt.hist(img.ravel(),256); 
plt.show()

equ = cv2.equalizeHist(img) 
plt.hist(equ.ravel(),256)
plt.show()

res = np.hstack((img,equ))
cv_show1(res,'res')

égalisation adaptative des histogrammes

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) 

res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show1(res,'res')

Correspondance des modèles

L'appariement des modèles et le principe de convolution sont très similaires,Le modèle glisse à partir de l'origine sur l'image originale,Modèles de calcul et（Où l'image est couverte par le modèle）Le degré de différence,Cette différence est calculée enopencv- Oui.6Espèce,Ensuite, mettez les résultats de chaque calcul dans une matrice,Comme résultat.Si le dessin original estAxBTaille,Et le modèle estaxbTaille,La matrice du résultat de sortie est(A-a+1)x(B-b+1)

# Correspondance des modèles
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2] 

img.shape

(263, 263)

template.shape

(110, 85)

• TM_SQDIFF：Calculer le carré est différent,Plus la valeur calculée est faible,Plus pertinent
• TM_CCORR：Calculer la corrélation,Plus la valeur calculée est élevée,Plus pertinent
• TM_CCOEFF：Calculer le coefficient de corrélation,Plus la valeur calculée est élevée,Plus pertinent
• TM_SQDIFF_NORMED：Calculer la différence de carré normalisé,Plus la valeur calculée est proche0,Plus pertinent
• TM_CCORR_NORMED：Calculer la corrélation normalisée,Plus la valeur calculée est proche1,Plus pertinent
• TM_CCOEFF_NORMED：Calcul du coefficient de corrélation normalisé,Plus la valeur calculée est proche1,Plus pertinent

Formule：https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']

res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape

(154, 179)

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) #Plus la valeur est petite, mieux c'est.

min_val

39168.0

max_val

74403584.0

min_loc

(107, 89)

max_loc

(159, 62)

for meth in methods:
    img2 = img.copy()

    # La vraie valeur de la méthode de correspondance
    method = eval(meth)
    print (method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # Si la différence carrée correspondTM_SQDIFFOu la différence carrée normalisée correspondTM_SQDIFF_NORMED,Prenez le minimum
    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)

    # Dessiner un rectangle
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # Cacher les axes
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

4

5

2

3

0

1

Correspond à plus d'un objet

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# Le degré de correspondance est supérieur à%80Coordonnées de
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *Le numéro indique un paramètre optionnel
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv_show(img_rgb,'img_rgb')