图像金字塔与轮廓检测
图片金字塔
高斯金字塔
1.cv2.pyrDown(src) 对图片做向下采样操作，通常也可以做模糊化处理
参数说明：src表示输入的图片
2.cv2.pyrUp(src) 对图片做向上采样操作
参数说明：src表示输入的图片
高斯金字塔：分为两种情况：一种是向下采样，一种是向上采样
下采样的原理：先与Gi进行高斯卷积即高斯滤波，再将所有偶数行和列去除，实现行和列维度缩减的目的
代码：
第一步：读入图片
第二步：使用cv2.pyrDown进行高斯金字塔的下采样
第三步：使用自己的步骤做高斯金字塔的下采样，先对图像作高斯滤波,即与高斯内核卷积
第四步：将所有偶数行去除
第五步：将所有偶数列去除
import cv2
import numpy as np
# 第一步：读入图片
img = cv2.imread('AM.png', 0)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 第二步：使用cv2.pyrDown进行金字塔的下采样
down = cv2.pyrDown(img)
cv2.imshow('down', down)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 按照步骤编写
# 第三步：进行高斯滤波操作，即进行高斯卷积
guassin = cv2.GaussianBlur(img, (5, 5), 1)
# 第四步：去除矩阵的偶数行
guassin_x = []
rows, columns = guassin.shape[:2]
for i in range(rows):
if i % 2 == 1:
guassin_x.append(guassin[i, :])
guassin_x = np.array(guassin_x)
# 第五步：去除矩阵的偶数列
guassin_y = []
for i in range(columns):
if i % 2 == 1:
guassin_y.append(guassin_x[:, i])
guassin_y = np.array(guassin_y).T
cv2.imshow('guassin', guassin_y)
cv2.waitKey(0)
高斯金字塔进行上采样操作， 第一步先对使用0进行填充，扩大其维度，再进行高斯滤波，对滤波的结果乘与4，获得其近似值
代码：
第一步：图片读入
第二步：使用cv2.pyrUp对图像进行放大操作
第三步：使用自己的方法，先给偶数行加zeros
第四步：给偶数列加zeros
第五步：进行高斯滤波，将像素点分散开，最后乘于4，做近似截断处理
import cv2
import numpy as np
# 第一步读取图片
img = cv2.imread('AM.png', 0)
print(img.shape)
# 第二步：使用cv2.pyrUp进行图像金字塔的上采样
Up = cv2.pyrUp(img)
cv2.imshow('up', Up)
cv2.waitKey(0)
# 第三步：使用自己的方法计算，在偶数行插入zero
rows_zeros = []
rows, columns = img.shape[:2]
for i in range(2*rows):
if i % 2 == 1:
rows_zeros.append(np.zeros((1, columns)).astype(int).ravel())
else:
rows_zeros.append(img[int(i/2), :])
rows_zeros = np.array(rows_zeros)
# 第四步：在偶数列插入zeros
columns_zeros = []
for i in range(2*columns):
if i % 2 == 1:
columns_zeros.append(np.zeros((rows*2, 1)).astype(int).ravel())
else:
columns_zeros.append(rows_zeros[:, int(i/2)])
columns_zeros = np.array(columns_zeros).T
# 第五步：进行高斯卷积操作,乘于4倍后做近似处理
add_img_columns_g = np.round(cv2.GaussianBlur(columns_zeros, (5, 5), 1)).astype(int) * 4
frames = []
# 对于大于255的像素做截断操作
for i in range(add_img_columns_g.shape[0]):
frame = []
for j in add_img_columns_g[i, :]:
if j > 255:
frame.append(255)
else:
frame.append(j)
frames.append(frame)
frames = np.array(frames)
拉普拉斯金字塔
拉普拉斯金字塔: 使用原始图片 - pyrUp(pyrDown(Gi))， 获得的结果有一点像边缘轮廓的提取
上图的意思：1.进行低通滤波
2.进行样本的下采样
3. 进行样本的上采样
4.原始图片 - 经过上面三步后的图片
代码：
第一步：读入图片
第二步：进行样本的下采样
第三步：进行样本的上采样
第四步：原始图片 - 变化后的图片
import cv2
import numpy as np
img = cv2.imread('AM.png')
# 原始图像 - pyrUp(pyrDown(Gi))
Down = cv2.pyrDown(img)
Up_Down = cv2.pyrUp(Down)
lap_img = img - Up_Down
cv2.imshow('lap_img', lap_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
轮廓检测
1. cv2.cvtcolor(img, cv2.COLOR_BGR2GRAY) # 将彩色图转换为灰度图
参数说明: img表示输入的图片， cv2.COLOR_BGR2GRAY表示颜色的变换形式
2. cv2.findContours(img，mode, method) # 找出图中的轮廓值，得到的轮廓值都是嵌套格式的
参数说明:img表示输入的图片，mode表示轮廓检索模式，通常都使用RETR_TREE找出所有的轮廓值，method表示轮廓逼近方法，使用NONE表示所有轮廓都显示
3. cv2.drawCountours(img, contours, -1, (0, 0, 255), 2) # 画出图片中的轮廓值，也可以用来画轮廓的近似值
参数说明:img表示输入的需要画的图片， contours表示轮廓值，-1表示轮廓的索引，(0, 0, 255)表示颜色， 2表示线条粗细
4. cv2.contourArea(cnt， True) # 计算轮廓的面积
参数说明：cnt为输入的单个轮廓值
5. cv2.arcLength(cnt， True) # 计算轮廓的周长
参数说明：cnt为输入的单个轮廓值
6. cv2.aprroxPolyDP(cnt, epsilon， True) # 用于获得轮廓的近似值，使用cv2.drawCountors进行画图操作
参数说明：cnt为输入的轮廓值， epsilon为阈值T，通常使用轮廓的周长作为阈值，True表示的是轮廓是闭合的
7. x, y, w, h = cv2.boudingrect(cnt) # 获得外接矩形
参数说明：x，y, w, h 分别表示外接矩形的x轴和y轴的坐标，以及矩形的宽和高， cnt表示输入的轮廓值
8 cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) # 根据坐标在图像上画出矩形
参数说明: img表示传入的图片， (x, y)表示左上角的位置, （x+w， y+h）表示加上右下角的位置，（0, 255, 0)表示颜色，2表示线条的粗细
9. (x, y), radius = cv2.minEnclosingCircle(cnt) # 获得外接圆的位置信息
参数说明: (x, y)表示外接圆的圆心，radius表示外接圆的半径， cnt表示输入的轮廓
10. cv2.Cricle(img, center, radius, (0, 255, 0), 2) # 根据坐标在图上画出圆
参数说明:img表示需要画的图片，center表示圆的中心点，radius表示圆的半径, (0, 255, 0)表示颜色， 2表示线条的粗细
轮廓检测：轮廓检测相较于canny边缘检测，轮廓检测的线条要更少一些，在opencv中，使用的函数是cv2.findCountor进行轮廓检测
上图是轮廓检测过程中所使用的方法，一般我们使用mode RETR_TREE检测出所有的轮廓值， 对于method方法的区别在一种把边缘都检测出来,一种压缩在拐点位置
1.轮廓检测与画图：
代码:
第一步：载入图片
第二步：使用cv2.cvtcolor() 将图片转换为灰度图
第三步: 使用cv2.threshold将图片做二值化转换
第四步： 使用cv2.findContours 找出图片的轮廓值
第五步：使用cv2.drawContours在图片上画上轮廓
第六步: 使用cv2.imshow 完成画图操作
import cv2
import numpy as np
def cv_show(img, name):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 第一步读入图片
img = cv2.imread('car.png')
# 第二步：对图片做灰度变化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 第三步：对图片做二值变化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 第四步：获得图片的轮廓值
Binary, contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 第五步：在图片中画出图片的轮廓值
draw_img = img.copy()
ret = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
# 第六步：画出带有轮廓的原始图片
cv_show(ret, 'ret')
2. 轮廓的周长和面积
使用cv2.findCountor获得的轮廓contours是一个嵌套的类型，即我们可以通过cnt = contours获得第一个物体的轮廓值
代码：
第一步：载入图片，做灰度值和二值化处理，并使用cv2.findCountor找出轮廓值，使用cv2.drawCountors画出第一个图像的轮廓
第二步：通过索引取出第一个轮廓值cnt，使用cv2.ContourArea()计算轮廓的面积
第三步：使用cv2.arcLength 获得轮廓的周长
# 使用另外一个图进行轮廓的测试
# 第一步：载入图片，灰度化和二值化处理,使用cv2.findContours找出轮廓, 使用cv2.drawContours进行画图操作
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
draw_img = img.copy()
# 参数说明,draw_img 需要作图的原始图像， contours表示轮廓， 0表示轮廓索引， (0, 0, 255)表示颜色， 2表示线条粗细
ret = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show(ret, 'ret')
# 取出单个的轮廓值
cnt = contours[0]
# 第二步：计算轮廓的面积
area = cv2.contourArea(cnt)
# 第三步： 计算轮廓的周长
length= cv2.arcLength(cnt, True)
print(area, length)
3. 轮廓近似(RDP)， 假设存在一个曲线A, B，在曲线上存在一个C点，离AB线段的距离最远，记为d1, 如果d1 < T(自己设定的阈值), 将AB线段作为AB曲线的替代，否者连接AC和BC， 计算AC线段上的D点离AB距离最远，记为d2，如果d2 < T，则使用AC线段替代AC曲线，否者继续连接划分
代码：
第一步：读取图片，灰度化和二值化，使用cv2.findcontours找出轮廓
第二步：使用轮廓索引提取第一个轮廓值
第三步：使用cv2.arcLength即轮廓周长的倍数作为阈值，阈值越小，轮廓与轮廓的越近似
第四步：使用cv2.approxPolyDP(cnt, epilison)
第五步：使用cv2.drawContours进行画图操作
import cv2
import numpy as np
def cv_show(img, name):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 第一步读入图片
img = cv2.imread('car.png')
# 第二步：对图片做灰度变化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 第三步：对图片做二值变化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 第四步：获得图片的轮廓值
Binary, contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 第五步：在图片中画出图片的轮廓值
draw_img = img.copy()
ret = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
# 第六步：画出带有轮廓的原始图片
cv_show(ret, 'ret')
# 使用另外一个图进行轮廓的测试
# 第一步：载入图片，灰度化和二值化处理,使用cv2.findContours找出轮廓, 使用cv2.drawContours进行画图操作
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
draw_img = img.copy()
# 参数说明,draw_img 需要作图的原始图像， contours表示轮廓， 0表示轮廓索引， (0, 0, 255)表示颜色， 2表示线条粗细
ret = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show(ret, 'ret')
# 取出单个的轮廓值
cnt = contours[0]
# 第二步：计算轮廓的面积
area = cv2.contourArea(cnt)
# 第三步： 计算轮廓的周长
length= cv2.arcLength(cnt, True)
print(area, length)
# 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, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 使用周长的倍数作为阈值，阈值越小，图像的轮廓近似与轮廓越近似
epsilon = 0.1 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)
draw_img = img.copy()
ret = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(ret, 'ret')
4. 外接矩形和外接圆
外接矩形： 使用cv2.boudingrect(cnt)获得轮廓的外接矩形，使用cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2)画出矩阵的轮廓
外接圆： 使用cv2.minEnclosingCircle(cnt)获得轮廓的外接圆，使用cv2.circle(ret, centers, radius, (0, 0, 255), 2)画出圆的轮廓
代码：
第一步:载入图片，灰度化，二值化，使用cv2.findCountors找出图像的轮廓,使用轮廓索引获得第一个轮廓cnt
第二步：使用cv2.boundingrect(cnt) ，获得轮廓的x，y，w, h (x, y)表示左上角的坐标，w为宽，h为长
第三步: 使用cv2.rectangle 绘制外接的轮廓
第四步: 使用cv2.minEnclosingCircle(cnt), 获得center和radius，即圆心点的坐标和圆的半径
第五步: 使用cv2.circle(img， center, radius, (0, 0, 255), 2) 绘制圆心的外接轮廓
# 外接矩阵
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
res, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, h = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
x, y, w, h = cv2.boundingRect(cnt)
ret = cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2)
cv_show(ret, 'ret')
print('矩形面积 / 外接矩形面积', cv2.contourArea(cnt) / (w*h))
# 外接圆
(x, y), radius = cv2.minEnclosingCircle(cnt) center = (int(x), int(y)) radius = int(radius) ret = cv2.circle(ret, center, radius, (0, 255, 0), 2) cv_show(ret, 'ret')