#模板匹配:在整个图像区域发现与给定子图相匹配的小块区域,需要一个模板图像T,一个待检测图像--源图像S
#工作方法:在待检测图像上,从左到右,从上到下,计算模板图像与重叠子图像的匹配度,像素值匹配度越大,两者相同的肯能性越大
import cv2 as cv
import numpy as np
def templateDemo():
tpl=cv.imread("E:\OpenCVTests\QQ20190814143008.png")
target = cv.imread("E:\OpenCVTests/timg (2).jpg")
cv.imshow("tpl",tpl)
cv.imshow("target", target)
methods=[cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]#模板匹配的匹配方式
#1、平方不同3、相关性的归一化5、相关性因子的归一化
th,tw=tpl.shape[:2]
for md in methods:
print(md)#枚举类型的值
result=cv.matchTemplate(target,tpl,md)#每个算法算出结果的值,每个像素点根据算法都有算出来的对应的值
minVal,maxVal,minLoc,maxLoc=cv.minMaxLoc(result)#计算出result的最大、最小值,即可得到哪个像素区域是最佳匹配区域,即可得出匹配得到的位置
if md==cv.TM_SQDIFF_NORMED:#如果匹配方法是‘平方不同’,则应该取最小值,这与‘平方不同’算法得出的结果相关,越相关,result结果越暗,反之。
tl=minLoc#最左上角的点
else:
tl=maxLoc
br=(tl[0]+tw,tl[1]+th)#bottom right====最右下角的点,在tl的基础上加上长宽即可得,tl[0]、tl[1]表示从最左上角点出发的两个方向
cv.rectangle(target,tl,br,(0,0,255),2)#绘制矩形,绘制到原图上;tl、br表示长宽,第三个参数为颜色,第四个参数为线的宽度
#cv.imshow("match"+np.str(md),target)#将md变为str类型
cv.imshow("match" + np.str(md), result)#将结果图进行显示
#src=cv.imread("E:\OpenCVTests\IMG_4482.JPG")
#cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
#cv.imshow("input image",src)
templateDemo()
cv.waitKey(0)
cv.destroyAllWindows()
三种匹配方式对同一张图的匹配结果
三种匹配方式计算出的每个像素的值
#图像二值化---非黑即白
#二值化的方法:全局阈值、局部阈值
import cv2 as cv
import numpy as np
def thresholdDemo(image):#全局阈值,推文:
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#转化为灰度图像
ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)#将图像二值化及其方法,阈值方法不同,对信息的二值化结果不同,最后一个函数为自动寻找阈值
#0为阈值,可以改变其值,但当对其做出改变时,后面自动寻找阈值应该去掉,二者只能选其一;另,255为最大值
#cv.THRESH_BINARY_INV 求反,大于阈值的显示为黑色,小于阈值的为白色
#cv.THRESH_TRUNC 大于阈值的直接等于阈值,下雨阈值的显示为黑色
# cv.THRESH_TOZERO小于阈值全部置为0
#当图像的直方图只有单个波峰的时候适合用Triangle方法
print("threshold value %s",ret)#阈值显示
cv.imshow("binary",binary)
def localThreshold(image):#局部阈值
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
binary=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,25,10)#自适应阈值方法
#int adaptiveMethod---在一个邻域内计算阈值所采用的算法(两种):cv.ADAPTIVE_THRESH_MEAN_C:计算出领域的平均值再减去第七个参数double C的值
# cv.ADAPTIVE_THRESH_GAUSSIAN_C高斯方法:计算出领域的高斯均值再减去第七个参数double C的值
#int thresholdType:这是阈值类型,只有两个取值,分别为 THRESH_BINARY 和THRESH_BINARY_INV
#int blockSize:adaptiveThreshold的计算单位是像素的邻域块,邻域块取多大,就由这个值作决定
#double C
cv.imshow("binary", binary)
def customThreshold(image):#自定义阈值
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
h,w=gray.shape[:2]
m=np.reshape(gray,[1,w*h])#变成一行多列的一维数组
mean=m.sum()/(w*h)#平均值
print("mean:",mean)
ret,binary=cv.threshold(gray,mean,255,cv.THRESH_BINARY)#mean作为阈值
cv.imshow("binary", binary)
src=cv.imread("E:\OpenCVTests\IMG_4482.JPG")
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow("input image",src)
#thresholdDemo(src)
#localThreshold(src)
customThreshold(src)
cv.waitKey(0)
cv.destroyAllWindows()
#全局阈值根据自定义阀值对图像进行二值化处理,即灰度值大于阀值时设改像素灰度值为255,灰度值小于阈值时设该像素灰度值为0
#在局部范围内根据特定算法算出局部的阀值,这个局部的大小可以自己决定(例8*8),算法也可以自己决定,本文所用的用法是局部平均值作为阈值
全局二值化
局部二值化
自定义二值化