纯手打持续更新中~
1、轮廓检测（findContours）
cv2.findContours(img,mode,method)
mode:轮廓检索模式
RETR_EXTERNAL ：只检索最外面的轮廓；
RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;（最常用这个）
method:轮廓逼近方法
CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。
输入图像的要求，必须是二值的！（更高的准确率）
img = cv2.imread('contours.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 这一步对图像二值处理 cv_show(thresh,'thresh')binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)binary 为二值化之后的结果
contours为轮廓信息
hierarchy 表示层级
绘制轮廓（drawContours）
#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度 # 注意需要copy,要不原图会变。。。 draw_img = img.copy() res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) cv_show(res,'res')draw_img = img.copy() res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2) cv_show(res,'res')轮廓特征与近似（contourArea）
轮廓特征计算
cnt = contours[0] #面积 cv2.contourArea(cnt) #周长，True表示闭合的 cv2.arcLength(cnt,True)轮廓近似
img = cv2.imread('contours2.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) cnt = contours[0] draw_img = img.copy() res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2) cv_show(res,'res')这里用到了近似函数approxPolyDP
epsilon = 0.15*cv2.arcLength(cnt,True) # 0.15 越小是越貼合的 approx = cv2.approxPolyDP(cnt,epsilon,True) #cnt是轮廓，epsilon是指定需要比较的值，一般是周长的倍数 draw_img = img.copy() res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2) cv_show(res,'res')2、模板匹配（matchTemplate）
两张图片，现在是要看第一张图片是在第二张图片的哪一个部分。
把右边的图片分成九宫格，然后opencv会从左到右，从上到下进行一点点的匹配（逐像素匹配，像素点的差异），看看左边的图像是在右边的哪个位置。
模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)
模板匹配的代码（代码在notebook中运行）：
# 模板匹配 img = cv2.imread('lena.jpg', 0) template = cv2.imread('face.jpg', 0) h, w = template.shape[:2] img.shape # 输出(263, 263) template.shape # 输出(110, 85)有以下6种差异计算方法：
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（推荐用归一化的，结果会更可靠一些。）
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
公式：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']cv2.minMaxLoc()是专门用于提取匹配结果矩阵（res）中极值（最小值 / 最大值）及对应坐标的核心函数.
最小值就是根据需要匹配的图中，找到原图中的一个匹配点，后续根据h和w就能画出一个候选的方框。
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF) res.shape # (154, 179) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # min_val:39168.0 max_val:74403584.0 min_loc:(107, 89) max_loc:(159, 62)for meth in methods: img2 = img.copy() # 匹配方法的真值 method = eval(meth) print (method) res = cv2.matchTemplate(img, template, method) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值 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) # 画矩形 cv2.rectangle(img2, top_left, bottom_right, 255, 2) plt.subplot(121), plt.imshow(res, cmap='gray') plt.xticks([]), plt.yticks([]) # 隐藏坐标轴 plt.subplot(122), plt.imshow(img2, cmap='gray') plt.xticks([]), plt.yticks([]) plt.suptitle(meth) plt.show()示例
如果是匹配多个对象
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 # 取匹配程度大于%80的坐标 loc = np.where(res >= threshold) for pt in zip(*loc[::-1]): # *号表示可选参数 bottom_right = (pt[0] + w, pt[1] + h) cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2) cv2.imshow('img_rgb', img_rgb) cv2.waitKey(0)3、图像金字塔（pyrUp，pyrDown）
把图像组合成金字塔的形状，可以用于图像特征提取，每层的特征提取的结果组合在一起。
高斯金字塔：向下采样方法（缩小）用高斯核，然后把偶数列全部去掉。
高斯金字塔：向上采样方法（放大）
用相同的卷积核来卷积，可以想象10这个像素平均的分给了周围的像素点。
代码实验
img=cv2.imread("AM.png") cv_show(img,'img') print (img.shape) # (442, 340, 3)# 上采样 up=cv2.pyrUp(img) cv_show(up,'up') print (up.shape) #(884, 680, 3)#下采样方法 down=cv2.pyrDown(img) cv_show(down,'down') print (down.shape) # (221, 170, 3)拉普拉斯金字塔
拉普拉斯金字塔的每一层 = 当前层的高斯图像 - 上采样后的下一层高斯图像。
down=cv2.pyrDown(img) down_up=cv2.pyrUp(down) l_1=img-down_up cv_show(l_1,'l_1')
)
