Opencv-contrib-python模块——模版匹配、图形检测

一、模版匹配

在一幅图像中寻找与给定模板最匹配的区域。

原理

在输入图像上滑动模板图像，并计算每个位置的匹配程度。匹配程度由所选的匹配方法决定。返回一个二维数组，数组的元素值表示模版在原图中每个区域的匹配程度。

matchTemplate(image, templ, method)

参数

image：原图；templ：用于查找的模版；method：匹配方法，指定匹配模板的算法。 

匹配方法

1.cv2.TM_SQDIFF：平方差匹配
算法：计算输入图像和模板之间的每个像素差的平方。
结果：值越小，匹配程度越高。

2. cv2.TM_SQDIFF_NORMED：标准化平方差匹配
算法：计算输入图像和模板之间的标准化平方差。
结果：值越小，匹配程度越高。

3.cv2.TM_CCORR：相关性匹配
算法：计算输入图像和模板之间的相关性（相似度）。
结果：值越大，匹配程度越高。

4.cv2.TM_CCORR_NORMED：标准化相关性匹配
算法：计算输入图像和模板之间的标准化相关性。
结果：值越大，匹配程度越高。

5. cv2.TM_CCOEFF：相关系数匹配
算法：计算输入图像和模板之间的相关系数（相似度）。
结果：值越大，匹配程度越高。

6.cv2.TM_CCOEFF_NORMED：标准化相关系数匹配
算法：计算输入图像和模板之间的标准化相关系数。
结果：值越大，匹配程度越高。

二、图形检测

1. 轮廓检测 findContours()

contours,hierarchy=CV2.findContours(image, mode, method)

返回一个二元组(contours,hierarchy)：contours：检测到的轮廓列表，每个轮廓是一个numpy数组；hierarchy：轮廓的层次信息。

参数：

 image：需要检测轮廓的图。必须是个经过二值化处理的灰度图像；mode：轮廓检索模式。

#轮廓检索模式
cv2.RETR_EXTERNAL：只检索最外层的轮廓。
cv2.RETR_LIST：检索所有的轮廓并存储在列表中。
cv2.RETR_CCOMP：检索所有轮廓并组织为两级结构（外层和内层）。
cv2.RETR_TREE：检索所有轮廓并构建轮廓的完整层次结构树。

#轮廓逼近方法
cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。
cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线方向的轮廓，只保留重要的轮廓点。
cv2.CHAIN_APPROX_TC89_L1、cv2.CHAIN_APPROX_TC89_KCOS：使用 Teh-Chin 链逼近算法，通常不需要使用这两个方法。

2.轮廓绘制 drawContours()

drawContours(image, contours, contourIdx, color[, thickness][, lineType][, hierarchy][, maxLevel][, offset])

参数：

    image：需要绘制轮廓的图，直接在原图上绘制（同时也是返回值）。可以是彩色图。

    contours：轮廓数组列表。由findContours()返回的值。

    contoursIdx：要绘制轮廓的索引。负数表示绘制所有轮廓。

    color：轮廓线颜色。BGR三元组。

    hierarchy：轮廓的层次关系。由findContours()返回的值。

    maxLevel：要绘制的轮廓的最大层次，默认为0，表示绘制所有层次的轮廓。

    offset：轮廓的偏移量。

▲若背景为白色，则整个背景也会被算作轮廓。

3.包围框

包围图像轮廓的最小边界。

（1）矩形包围框 boundingRect()

boundingRect(array)

参数array：轮廓数组。

返回一个四元组(x,y,w,h)，分别代表包围框的左上角x、y坐标以及宽和高。

（2）圆形包围框 minEnclosingCircle()

minEnclosingCircle(points)

参数points：轮廓数组。

返回一个二元组(center,radius)，分别表示圆心坐标 (x,y) 和半径 r （都是浮点数）。

（3） 凸包 convexHull()

convexHull(points ,clockwise=False ,returnPoints=True)
即凸多边形包围框。

参数：

    clockwise：True表示返回的点按顺时针排列，False表示逆时针排列。

    returnPoints：True表示返回值（凸包顶点坐标数组）的点为坐标，False表示返回的点为轮廓数组的索引。

（4）Canny边缘检测算法 Canny()

Canny(image, threshold1, threshold2 ,apertureSize=3 ,L2gradient=False)

检测图像中的强度梯度变化，从而识别出物体的轮廓。

参数：

    image：用于检测边缘的图。

    threshold1 / threshold2：阈值，用于边缘检测中的强度梯度。较低的阈值用于边缘起始点检测，较高的阈值用于边缘连接。阈值越小，细节、噪声越多。

    apertureSize：Sobel 算子的孔径大小。

    L2gradient：False表示使用 L1 范数，True表示使用更精确的 L2 范数来计算梯度大小。

返回检测到的边缘图，为一个二值化的灰度图像。

（5）霍夫变换

用于形状检测。

1）直线检测 HoughLines()

用于检测图像中的明显的、长的直线。返回直线的极径和极角，比较麻烦。

2）线段检测 HoughLinesP()

HoughLinesP(image, rho, theta, threshold [, minLineLength][, maxLineGap])

参数：

    image：用于检测直线的图。通常是边缘检测后的结果，如Canny算法的输出。

    rho：霍夫空间中的极径分辨率，表示检测直线使用的半径步长。通常使用1(单位：px)。

    theta：霍夫空间中的角度分辨率。通常使用pi/180（单位：rad）。

    threshold：阈值。用于筛选候选线段，只有累加器中的值高于该阈值的线段才会被返回。

    minLineLength：线段的最小长度。小于此长度的线段将被忽略。

    maxLineGap：线段之间的最小允许间隔。如果两条线段之间的距离小于此值，则它们可能会被连接成为一条线段。

返回值格式为：
[ [[x11 ,y11 ,x12 ,y12]],
  [[x21 ,y21 ,x22 ,y22]],
  [[x31 ,y31 ,x32 ,y32]],
  …………
  [[xn1 ,yn1 ,xn2 ,yn2]] ]    #（numpy数组）

其中，xi1,yi1,xi2,yi2表示线段的2个断点横纵坐标。

3）圆形检测 HoughCircles()

HoughCircles(image, method, dp, minDist [, param1][, param2][, minRadius][, maxRadius])

参数：

    image：用于检测的（灰度）图像。

    method：检测方法。唯一值：CV2.HOUGH_GRADIENT。

    dp：累加器分辨率与图像分辨率的比例倒数。值越小越精确，但计算代价更高。通常取值为 1。

    minDist：圆心间的最小距离。如果距离小于此值，则多个相邻的圆可能会被合并成一个。

    param1：用于Canny边缘检测的高阈值。

    param2：用于确定圆心的累加器阈值。值越大，圆越少，越精确。

    minRadius / maxRadius：最小 / 大半径。

返回值格式：
[[    [x1 ,y1 ,r1],
    [x2 ,y2 ,r2],
    [x3 ,y3 ,r3],
    …………
    [xn ,yn ,rn] ]]

其中,xi,yi,ri表示圆的圆心坐标和半径。

参考及代码详见：

Python个人学习笔记 opencv-contrib-python模块——模版匹配、图形检测 - 哔哩哔哩 (bilibili.com)https://www.bilibili.com/read/cv26742604/