opencv之图像轮廓特征查找、直方图均衡化、模板匹配

一、轮廓特征查找

图像轮廓特征查找其实就是他的外接轮廓。

应用：图像分割、形状分析、物体检测与识别

根据轮廓点进行，所以要先找到轮廓。

先灰度化、二值化。目标物体白色，非目标物体黑色，选择合适的二值化方式。有了轮廓点就可以找到最上、最下、最左、最右的四个坐标。就可以绘制出矩形。

三种常见的轮廓特征：

1.外接矩形

boundingRect(轮廓点)，返回值是x,y,w,h四个值其中（x,y）是外接矩形的左上角坐标，w,h分别是矩形的宽和高。然后根据返回值执行

cv.rectangle(num,(x,y),(x+w,y+h),(0,255,0),2)就可以的到外接矩形。

2.最小外接矩形

寻找最小外接矩形使用的算法叫做旋转卡壳法。

contours, hierarchy = cv2.findContours(image_np_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) 

contours为二值图像上查找所有的外部轮廓 。

rect = cv2.minAreaRect(contours)

rect 是计算轮廓最小面积外接矩形:rect 结构通常包含中心点坐标 (x, y)、宽度 width、高度 height 和旋转角度 angle.

dst=cv2.boxPoints(rect).astype(int)

cv2.boxPoints(rect)返回 是一个形状为 4行2列的数组，每一行代表一个点的坐标（x, y），顺序按照逆时针或顺时针方向排列.将最小外接矩形转换为边界框的四个角点，并转换为整数坐标.

cv2.drawContours(image, contours, contourIdx, color, thickness)

image：原图像，一般为 numpy 数组，通常为灰度或彩色图像。

contours：一个包含多个轮廓的列表,可以用上一个api得到的 [box]

contourIdx：要绘制的轮廓索引。如果设置为 -1，则绘制所有轮廓。

color：轮廓的颜色，可以是 BGR 颜色格式的三元组，例如 (0, 0, 255) 表示红色。

thickness：轮廓线的粗细，如果是正数，则绘制实线；如果是 0，则绘制轮廓点；如果是负数，则填充轮廓内部区域。

3.最小外接圆

寻找最小外接圆使用的算法是Welzl算法。Welzl算法基于一个定理：希尔伯特圆定理表明，对于平面上的任意三个不在同一直线上的点，存在一个唯一的圆同时通过这三个点，且该圆是最小面积的圆（即包含这三个点的圆中半径最小的圆，也称为最小覆盖圆）。

cv2.minEnclosingCircle(points) -> (center, radius)

oints：输入参数图片轮廓数据

返回值：

center：一个包含圆心坐标的二元组 (x, y)。

radius：浮点数类型，表示计算得到的最小覆盖圆的半径。

cv2.circle(img, center, radius, color, thickness)

img：输入图像，通常是一个numpy数组，代表要绘制圆形的图像。

center：一个二元组 (x, y)，表示圆心的坐标位置。

radius：整型或浮点型数值，表示圆的半径长度。

color：颜色标识，可以是BGR格式的三元组 (B, G, R)，例如 (255, 0, 0) 表示红色。

thickness：整数，表示圆边框的宽度。如果设置为 -1，则会填充整个圆。

二、直方图均衡化

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

images：输入图像列表，可以是一幅或多幅图像（通常是灰度图像或者彩色图像的各个通道）。

channels：一个包含整数的列表，指示在每个图像上计算直方图的通道编号。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。

mask（可选）：一个与输入图像尺寸相同的二值掩模图像，其中非零元素标记了参与直方图计算的区域,None为全部计算。

histSize：一个整数列表，也就是直方图的区间个数(BIN 的数目)。用中括号括起来，例如：[256]。

ranges：每维数据的取值范围，它是一个二维列表，每一维对应一个通道的最小值和最大值，例如对灰度图像可能是 [0, 256]。

返回值hist 是一个长度为255的数组，数组中的每个值表示图像中对应灰度等级的像素计数

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

获取直方图的最小值、最大值及其对应最小值的位置索引、最大值的位置索引

绘制直方图：

cv2.line(img, pt1, pt2, color, thickness)

img：原始图像，即要在上面画线的numpy数组（一般为uint8类型）。

pt1 和 pt2：分别为线段的起点和终点坐标，它们都是元组类型，例如 (x1, y1) 和 (x2, y2) 分别代表线段两端的横纵坐标。

color：线段的颜色，通常是一个包含三个元素的元组 (B, G, R) 表示BGR色彩空间的像素值，也可以是灰度图像的一个整数值。

thickness：线段的宽度，默认值是1，如果设置为负数，则线宽会被填充。

自适应直方图均衡化：

dst = cv.equalizeHist(imgGray)

imgGray为需要直方图均衡化的灰度图，返回值为处理后的图像

对比度受限的自适应直方图均衡化：

clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)

clipLimit（可选）：对比度限制参数，用于控制直方图均衡化过程中对比度增强的程度。如果设置一个大于1的值（如2.0或4.0），CLAHE会限制对比度增强的最大程度，避免过度放大噪声。如果不设置，OpenCV会使用一个默认值。tileGridSize（可选）：图像分块的大小，通常是一个包含两个整数的元组，如(8, 8)，表示将图像划分成8x8的小块进行独立的直方图均衡化处理。分块大小的选择会影响到CLAHE的效果以及处理速度。

创建CLAHE对象后，可以使用 .apply() 方法对图像进行CLAHE处理：

img=clahe.apply(image)

image:要均衡化的图像。

img均衡后的图像

三、模板匹配

res=cv2.matchTemplate(image, templ, method)

image：原图像，这是一个灰度图像或彩色图像（在这种情况下，匹配将在每个通道上独立进行）。

templ：模板图像，也是灰度图像或与原图像相同通道数的彩色图像。

method：匹配方法，可以是以下之一：

cv2.TM_CCOEFF，cv2.TM_CCOEFF_NORMED，cv2.TM_CCORR，cv2.TM_CCORR_NORMED，cv2.TM_SQDIFF，cv2.TM_SQDIFF_NORMED

这些方法决定了如何度量模板图像与原图像子窗口之间的相似度。

res：

函数在完成图像模板匹配后返回一个结果矩阵，这个矩阵的大小与原图像相同。矩阵的每个元素表示原图像中相应位置与模板图像匹配的相似度。

匹配方法不同，返回矩阵的值的含义也会有所区别。以下是几种常用的匹配方法及其返回值含义：

1. cv2.TM_SQDIFF 或 cv2.TM_SQDIFF_NORMED：

   返回值越接近0，表示匹配程度越好。最小值对应的最佳匹配位置。

2. cv2.TM_CCORR 或 cv2.TM_CCORR_NORMED：

   返回值越大，表示匹配程度越好。最大值对应的最佳匹配位置。

3. cv2.TM_CCOEFF 或 cv2.TM_CCOEFF_NORMED：

   返回值越大，表示匹配程度越好。最大值对应的最佳匹配位置。

轮廓绘制：

找的目标图像中匹配程度最高的点，我们可以设定一个匹配阈值来筛选出多个匹配程度高的区域。

loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的数组

np.where(condition) 是 NumPy 的一个函数，当条件为真时，返回满足条件的元素的索引。

zip(*loc)

*loc 是解包操作，将 loc 中的多个数组拆开，作为单独的参数传递给 zip。

zip 将这些数组按元素一一配对，生成一个迭代器，每个元素是一个元组，表示一个坐标点。