Opencv学习笔记（三）直方图与模板匹配

0、导入模块

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 

1、直方图

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 用中括号 [] 括来例如[img]
channels: 同样用中括号括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。也应用中括号括来
ranges: 像素值范围常为 [0，256]

hist = cv2.calcHist([img],[0],None,[256],[0,256])
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) #自适应直方图均衡化

2、模板匹配

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)
TM_SQDIFF：计算平方差进行匹配，计算出来的值越小，越相关
TM_CCORR：计算相关性，该方法使用源图像与模板图像的卷积结果进行匹配，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，该方法使用源图像与其均值的差、模板与其均值的差二者之间的相关性进行匹配，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方差进行匹配，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

img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)

#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)