OpenCV基础之模板匹配与直方图

模板匹配

模板匹配即在一幅图像中寻找与模板图像最匹配(相似)部分的部分。简单的实例，匹配多个文件夹图案。
注意：基本截取模板图像时，在原图像中截取，不要修改其尺寸大小，否则匹配的大小和原图不相符。

cv2.matchTemplate(img,template,method)
- TM_SQDIFF:计算平方不同，计算出来的值越小，越相关
- TM_CCORR:计算相关性，计算出来的值越大，越相关
- TM_CCOEFF:计算相关系数，计算出来的值越大，越相关
- TM_SQDIFF_NORMED:计算归一化平方不同，计算出来的值越接近0，越相关
- TM_CCORR_NORMED:计算归一化相关性，计算出来的值越接近1，越相关
- TM_CCOEFF_NORMED:计算归一化相关系数，计算出来的值越接近1，越相关

import cv2
import numpy as np
import matplotlib as plt
# 匹配多个对象
img = cv2.imread('img/files.png')
# 模板图像
template = cv2.imread('img/file.png')
# 获取模板图像的长宽(像素值)
h,w = template.shape[:2]
# 进行匹配
res = cv2.matchTemplate(img_rgh,template,cv2.TM_CCOEFF_NORMED)
# 设置参数0.8
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):bottom_right = (pt[0] + w, pt[1] + h)cv2.rectangle(img,pt,bottom_right,(0,255,0),1)# 画矩形框，标出匹配的图像
cv2.imshow("img",img)# 图像展示
cv2.waitKey(0)

模板图像
在这里插入图片描述
匹配结果

大家可以通过基于opencv的模板匹配详解更进一步的了解Opencv在模板匹配方面的一些知识。
cv2.matchTemplate函数只知道是否正确找到了对象——它只是在输入图像上滑动模板图像，计算归一化的相关分数，然后返回分数最大的位置。

直方图

直方图作用：如果一幅图像整体很亮，那所有的像素值的取值个数应该都会很高。需要将此图像的直方图做一个横向拉伸，就可以扩大图像像素值的分布范围，提高图像的对比度，这就是直方图均衡化，即缩小像素之间的差距。

cv2.calcHist(images,channels,mask,histSize,ranges)
- images:原图像图像格式为uint8或float32.当传入函数时，应用括号[]括起来例如[img]
- channels：同样用中括号括起来，它会告函数我们统幅图像的直方图，如果入图像是灰度图它的值就是[0],如果是彩色图像的传入的参数可以是[0][1][2]它们分别对应着BGR
- mask:掩模图像。统整幅图像的直方图就把它为None。但是如果你想统图像某一分的直方图的话，你就制作一个掩模图像并使用它。
- histSize:BIN的数目。也应用中括号括起来。
- ranges:像素值范围为[0,256]

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 直方图(用于表示一幅图的整体颜色趋势(即灰度的出现概率))
girl_gray_img = cv2.imread('img/girl.jpg',0)# 0表示灰度图
# 转化直方图
hist = cv2.calcHist([girl_gray_img],[0],None,[256],[0,256])
# 注意matplotlib是rgb格式，而opencv是bgr,即三色通道顺序是不同的，需要转化
plt.hist(girl_gray_img.ravel(),256)
plt.show()

在这里插入图片描述

查看图像的三色

girl_img = cv2.imread('img/girl.jpg')
color = ('b','g','r')
for i,col in enumerate(color):histr = cv2.calcHist([girl_img],[i],None,[256],[0,256])plt.plot(histr,color = col,label=col)
plt.xlim([0,256])
plt.title("rgb")
plt.legend(loc='best')# 显示每条线的标签，loc是位置
plt.show()

在这里插入图片描述

mask掩模图像

cv.bitwise_and 是 OpenCV 中的一个函数，它的作用是对两幅图像进行逐位与操作。

# 创建mast,和原图像一样大即可，np.uint8为图像类型
mask = np.zeros(girl_gray_img.shape[:2],np.uint8)
# 将需要显示的图像部分设置为255，随后便于进行与运算即可
mask[100:300,100:400] = 255
# 进行与运算，显示图像掩模部分图像
mask_img = cv2.bitwise_and(girl_gray_img,girl_gray_img,mask=mask)# 与操作
# 转化为直方图
hist_full = cv2.calcHist([girl_gray_img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([girl_gray_img],[0],mask,[256],[0,256])
# 通过plt子图，将所有图像显示
plt.subplot(221),plt.imshow(girl_gray_img,'gray')
plt.subplot(222),plt.imshow(mask,'gray')
plt.subplot(223),plt.imshow(mask_img,'gray')
plt.subplot(224),plt.plot(hist_full,label="full"),plt.plot(hist_mask,label="mask")
plt.legend(loc='best')
plt.show()

在这里插入图片描述

均衡直方图

# 均衡直方图
equ = cv2.equalizeHist(girl_gray_img)
plt.hist(equ.ravel(),256)
plt.show()

在这里插入图片描述

自适应直方图均衡化

# 自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
res_clashe = clahe.apply(girl_gray_img)res_img = np.hstack((girl_gray_img,equ,res_clashe))
cv2.imshow('original_img VS equ_img VS clashe_img',res_img)
cv2.waitKey(0)