Opencv学习笔记（四）-----图像金字塔、图像轮廓、图像近似

---

前言

本文介绍了图像金字塔、图像轮廓、图像近似的操作方法、代码例程，操作后和原图的对比图。

一、图像金字塔

做图像特征提取有时不光对原始图像进行处理，可能对金字塔的每层图像进行处理，每层图像的特征提取出来的结果都可能不同，有时对提取出来的所有特征进行整合，得出的结果效果会更好；

1.高斯金字塔

1.1向下采样法

图象越采样越小，由上图看则采样方向为从下到上

1.2向上采样法

图象越采样越大，由上图看则采样方向为从上到下；

1.3原图及两种采样方法对比

原图、上采样、下采样、先上后下采样在530*530的图片中对比明显，可以看出图像的变化；把图像放大，对比清晰度，也可看出图片的清晰度也有明显变化；

# -*- coding: utf-8 -*-
import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.png',0)
#上采样
up = cv2.pyrUp(img)
#下采样
down = cv2.pyrDown(img)
# 先上采样再下采样:和原图已经有差异，因为上采样会丢失眸子额像素点，再下采样再丢失某些点，最后虽然得到的图像和原图像大小相同但已经比原图模糊
up_down= cv2.pyrDown(up)
#几种采样方式显示对比图
plt.subplot(221), plt.imshow(img, cmap='gray')
plt.title('img')
plt.xlim([0,530]),plt.ylim([530,0])
plt.subplot(222), plt.imshow(up, cmap='gray')
plt.title('up')
plt.xlim([0,530]),plt.ylim([530,0])
plt.subplot(223), plt.imshow(down, cmap='gray')
plt.title('down')
plt.xlim([0,530]),plt.ylim([530,0])
plt.subplot(224), plt.imshow(up_down, cmap='gray')
plt.title('up_down')
plt.xlim([0,530]),plt.ylim([530,0])
plt.savefig('Gaussian.png')
plt.show()

2.拉普拉斯金字塔：

拉普拉斯金字塔=原图像-先下采样再后上采样的图像；
可进行多级处理，多级处理时后级输入的图像是前一级处理过后的图像；

一级拉普拉斯金字塔处理后与原图对比图

# -*- coding: utf-8 -*-
import numpy as np
import cv2

#拉普拉斯金字塔=原图像-先下采样后上采样的图像
def cv_show(img,name,writename):
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
img = cv2.imread('lena.png')
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
Laplace = img - down_up
res = np.hstack((img,Laplace))
cv_show(res,'res','Laplace.png')#

二、图像轮廓

• cv2.findContours(img,mode,method)

  img：要处理的3通道图片

  mode:轮廓检索模式

  method:轮廓逼近方法

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

  image：要绘制轮廓的图像，要为3通道图像才可绘制轮廓；

  contours：指轮廓本身，若图片中有多个图形，绘制第一个图形轮廓则取contours[0]，以此类推；若不指定绘制的图形轮廓则全部所有图形都绘制；

  contourIdx：指轮廓中的哪种轮廓，-1为所有轮廓；0为外轮廓，1为内轮廓；

  color：绘制轮廓线的BGR颜色，如用红色则（0，0，255）；

  thickness：轮廓线宽度；

# -*- coding: utf-8 -*-
import numpy as np
import cv2

def cv_show(img,name,writename):#
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
#读取3通道图片
img = cv2.imread('contours.png')
#灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#对灰度图二值化
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#绘制图像轮廓
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#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原图，因为处理的时候会修改原图
draw_img = img.copy()
# 绘制第一个图形，外轮廓线，线宽为2，轮廓线颜色为红色
res1 = cv2.drawContours(draw_img,contours[0],-1,(0,0,255),2)
res = np.hstack((img,res1))
cv_show(res,'res','res1.png')

三、图像近似

原图以及两个不同参数(0.1和0.01)的轮廓近似对比图

# -*- coding: utf-8 -*-
import numpy as np
import cv2
def cv_show(img,name,writename):#
    cv2.imshow(name,img)
    cv2.imwrite(writename,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
#读取3通道图片
img = cv2.imread('contours2.png')
#灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#对灰度图二值化
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#绘制图像轮廓
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#取第一个轮廓结果
cnt = contours[0]
# 近似轮廓
# 参数越小近似轮廓越接近
esiplon1 = 0.1*cv2.arcLength(cnt,True)
approx1 = cv2.approxPolyDP(cnt,esiplon1,True)
draw_img1 = img.copy()
res1 = cv2.drawContours(draw_img1,[approx1],-1,(0,0,255),2)

#参数越小近似轮廓越接近
esiplon2 = 0.01*cv2.arcLength(cnt,True)
approx2= cv2.approxPolyDP(cnt,esiplon2,True)
draw_img2= img.copy()
res2 = cv2.drawContours(draw_img2,[approx2],-1,(0,0,255),2)

res = np.hstack((img,res1,res2))
cv_show(res,'res','contours2233.png')

四、图像边界

这里用边界矩形和边界外接圆为例；

第一步：读取3通道图片进行灰度处理，再进行二值化滤除其他噪音；

第二步：绘制图像轮廓；

第三步：获取图像轮廓的坐标以及尺寸数据；

第四步：选择绘制的形状根据第三部数据绘制相应图形；

# -*- coding: utf-8 -*-
import numpy as np
import cv2

def cv_show(img, name, writename):  #
    cv2.imshow(name, img)
    cv2.imwrite(writename, img)
    cv2.waitKey()
    cv2.destroyAllWindows()
# 读取图片
img = cv2.imread('contours.png')
# 灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 对灰度图二值化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 绘制图像轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 取第三个轮廓结果
cnt = contours[3]
# 边界矩形轮廓函数
# 可根据得到的数据绘制出边界矩形
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

#外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
#画圆函数
img2 = cv2.circle(img,center,radius,(0,0,255),2)
cv_show(img2,'img2','img2.png')

总结

小白在学习OpenCV过程中的学习笔记，若有不对之处请指正。