《深度学习》OpenCV轮廓检测 轮廓近似、模板匹配 解析及实现

一、轮廓近似

1、什么是轮廓近似

        指对轮廓进行逼近或拟合，得到近似的轮廓。在图像处理中，轮廓表示了图像中物体的边界，因此轮廓近似可以用来描述和识别物体的形状。

2、参数解析

1）用法

import cv2
approx =cv2.approxPolyDP(curve,epsilon, closed)

2）参数

        • curve：表示要输入的轮廓

        • epsilon: 表示近似的精度，即两个轮廓之间最大欧氏距离，该参数越小，得到的近似结果越接近实际轮廓，反之得到的近似结果会更加粗糙

         • closed：表示布尔类型的参数，表示是否封闭轮廓，如果是True，表示输入的轮廓是封闭的，近似结果也会是封闭的，否则表示输入的轮廓不是封闭的，近似结果也不会封闭

3）返回值

        approx：表示近似结果，是一个ndarray数组，为一个近似后的轮廓，包含了被近似出来的轮上的点的坐标

4）代码解析及实现

import cv2
img = cv2.imread('phone.png')  # 导入原图
phone_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  # 原图转换为灰度图
ret,phone_thresh = cv2.threshold(phone_gray,100,25,cv2.THRESH_BINARY)  # 二值化,将大于100灰度值的像素更改为0，小于100像素值的更改为25
# 返回值ret为阈值，phone_thresh为二值化后的图像image, contours, hierarchy = cv2.findContours(phone_thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)  # 将二值化后的图像进行获取轮廓处理
# 轮廓检测方式为cv2.RETR_TREE，返回所有轮廓及完整层次结构，CV2.CHAIN_APPROX_NONE为存储所有的轮廓点epsilon = 0.001 * cv2.arcLength(contours[0],True)  # 设置近似值,计算轮廓为contours[0]的周长，参数true表示轮廓为封闭的，0.001表示精度，计算的结果越小，近似的精度越高
approx = cv2.approxPolyDP(contours[0],epsilon,True)  # 对轮廓进行近似，轮廓号为contours[0]，近似的精度为epsilon，封闭轮廓
phone_new = img.copy()  # 对原图生成一个副本image_contours = cv2.drawContours(phone_new, [approx],contourIdx=-1,color=(0,255,0),thickness=3)  # 在副本图像上进行绘制轮廓，[approx]表示要回值得轮廓，contourIdx=-1表示绘制所有的轮廓
cv2.imshow('phone',img)   # 展示原图
cv2.waitKey(0)
cv2.imshow('image_contours',image_contours)   # 展示绘制轮廓的近似图像
cv2.waitKey(0)

运行结果为：

前者为原图，后者为在原图副本上进行绘制轮廓

二、模型匹配

1、什么是模型匹配

        模型匹配是一种通过在图像中查找和识别特定形状或物体的方法。模型匹配基于图像中的特征点，并尝试找到与预定义的模型或样本最匹配的图像区域。

2、步骤

        1）提取模型的特征

                对于模型或样本图像，使用特征提取算法（如SIFT、SURF或ORB）来检测和描述关键点和特征描述符。

        2）在图像中查找特征点

                对于待匹配的图像，同样使用相同的特征提取算法来检测和描述关键点和特征描述符。

        3）进行特征匹配

                通过计算模型特征点和待匹配图像中特征点之间的距离或相似度，找到最合适的匹配点。

        4）模型匹配

                根据特征匹配的结果，通过应用各种匹配算法（如RANSAC）来估算模型在图像中的位置和姿态。

3、参数及用法

1、用法

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

2、参数

        1）image：待搜索对象

        2）templ：模板对象

        3）method：计算匹配程度的方法

                • TM_SQDIFF：平方差匹配法

                        该方法采用平方差来进行匹配，匹配越好，值越小，匹配越差，值越大

                • TM_CCORR：相关匹配法

                       该方法采用乘法操作，数值越大表示匹配程度越好

                • TM_CCOEFF：相关系数匹配法

                        数值越大表示匹配程度越好

                • TM_SQDIFF_NORMED：归一化平方差匹配法

                        匹配越好，值越小，匹配越差，值越大

                • TM_CCORR_NORMED：归一化相关匹配法

                        数值越大表明匹配程度越好

                • TM_CCOEFF_NORMED：归一化相关系数匹配法

                        数值越大表明匹配程度越好

3、代码实现

import cv2
kele = cv2.imread('kele.png')  # 导入模版图片
template = cv2.imread('template.png')  # 导入模型图片
cv2.imshow('kele',kele)
cv2.imshow('template',template)
cv2.waitKey(0)h,w = template.shape[:2]  # 获取模型高度和宽度
res = cv2.matchTemplate(kele,template,cv2.TM_CCOEFF_NORMED)  # 对模版和模型进行匹配，cv2.TM_CCOEFF_NORMED为匹配程度的方法，返回匹配结果的矩阵，其中每个元素表示该位置与模板的匹配程度
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值，以及最小值的索引号和最大值的索引号
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)   # 获取矩阵中最小值、最大值、最小值位置的索引号、最大值位置的索引号
top_left = max_loc
bottom_right = (top_left[0] + w,top_left[1] + h)
kele_template = cv2.rectangle(kele,top_left,bottom_right,(0,255,0),2)    # 绘制矩形，图像为kele，左上角坐标为top_left,右下角坐标为bottom_right，绘制矩形的颜色为绿色，线条粗细为2cv2.imshow('kele_template',kele_template)
cv2.waitKey(0)

运行结果为：