OpenCV計(jì)算機(jī)視覺(jué)處理Computervisionprocessing模塊七

直方圖與匹配模塊概述圖像直方圖，作為一種統(tǒng)計(jì)工具，能夠直觀地展示圖像中像素值的分布情況。通過(guò)直方圖，我們可以迅速了解圖像的亮度、對(duì)比度等基本信息，進(jìn)而對(duì)圖像進(jìn)行預(yù)處理或優(yōu)化。圖像匹配技術(shù)則是計(jì)算機(jī)視覺(jué)中的另一項(xiàng)核心技術(shù)。通過(guò)比較不同圖像之間的相似度，我們可以實(shí)現(xiàn)圖像檢索、目標(biāo)定位等功能。在本章中，我們將深入探討基于OpenCV的圖像直方圖與匹配技術(shù)。重點(diǎn)講解圖像匹配的基本原理和常用算法，并通過(guò)實(shí)際案例展示如何在OpenCV中實(shí)現(xiàn)這些算法。圖像直方圖與匹配技術(shù)不僅是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要工具，更是現(xiàn)代科技與社會(huì)發(fā)展緊密結(jié)合的生動(dòng)體現(xiàn)。通過(guò)學(xué)習(xí)和應(yīng)用這些技術(shù)，我們不僅能夠提升圖像處理與分析的能力，還能夠培養(yǎng)創(chuàng)新精神和科學(xué)思維。同時(shí)，掌握這些技術(shù)也有助于我們更好地服務(wù)于社會(huì)，推動(dòng)科技進(jìn)步與文明發(fā)展。學(xué)習(xí)導(dǎo)航學(xué)習(xí)目標(biāo)1.知識(shí)目標(biāo)（1）理解直方圖的概念及其在圖像數(shù)據(jù)分析和可視化中的作用；（2）掌握直方圖的基本繪制方法，并能從直方圖中提取和分析數(shù)據(jù)特征；（3）理解直方圖均衡化的原理，并知道其在圖像增強(qiáng)中的應(yīng)用；（4）了解模板匹配的基本原理，以及其在圖像處理中的應(yīng)用場(chǎng)景；（5）掌握單模板匹配與多模板匹配的基本實(shí)現(xiàn)方法。學(xué)習(xí)目標(biāo)2.能力目標(biāo)（1）能夠使用編程工具（如Python等）繪制和分析圖像的直方圖；（2）實(shí)現(xiàn)直方圖均衡化，對(duì)圖像進(jìn)行基本的增強(qiáng)處理；（3）利用模板匹配技術(shù)在目標(biāo)圖像中查找匹配區(qū)域；（4）根據(jù)實(shí)際需求選擇合適的直方圖處理方法和模板匹配策略；（5）能夠?qū)D像匹配結(jié)果進(jìn)行簡(jiǎn)單的分析和評(píng)估。學(xué)習(xí)目標(biāo)3.素質(zhì)目標(biāo)（1）培養(yǎng)對(duì)圖像數(shù)據(jù)分析和可視化的興趣，提升解決實(shí)際問(wèn)題的能力；（2）增強(qiáng)對(duì)圖像增強(qiáng)技術(shù)的理解，提高圖像處理的技能；（3）激發(fā)對(duì)圖像匹配技術(shù)的探索精神，培養(yǎng)創(chuàng)新思維。任務(wù)一直方圖的繪制任務(wù)導(dǎo)入假設(shè)有一組圖像數(shù)據(jù)，每張圖像都是高維的像素點(diǎn)集合，包含了大量的信息。為了更有效地分析這些圖像數(shù)據(jù)，通常需要對(duì)其進(jìn)行降維處理，將高維的圖像數(shù)據(jù)轉(zhuǎn)換為低維的特征表示。降維不僅有助于減少數(shù)據(jù)存儲(chǔ)和計(jì)算的復(fù)雜性，還能揭示數(shù)據(jù)中的潛在結(jié)構(gòu)和關(guān)系。完成降維后，可以進(jìn)一步利用直方圖來(lái)展示降維后數(shù)據(jù)的分布情況。直方圖是一種常用的數(shù)據(jù)可視化工具，通過(guò)繪制數(shù)據(jù)的頻數(shù)或頻率分布，可以直觀地了解數(shù)據(jù)的集中趨勢(shì)、離散程度以及是否存在異常值等信息。案例代碼1.#第一步：導(dǎo)入

OpenCV

庫(kù)與

matplotlib.pyplot

庫(kù)并讀取圖片。代碼如下：

2.import

cv2

3.import

matplotlib.pyplot

as

plt

4.#第二步：讀取圖片

5.image

=

cv2.imread("view.jpg")

6.#第三步：將圖片的二維數(shù)組降維成一維數(shù)組，代碼如下：

7.r_image

=

image.ravel()

8.#第四步：使用直方圖繪制圖片的像素信息并將其顯示出來(lái)，代碼如下：

9.plt.hist(r_image,

256)

10.plt.show()

#運(yùn)行上述代碼后，我們就可以得到如圖

2

所示的直方圖圖片。其中，這張圖片的灰度級(jí)被劃分成

256

組，即將灰度級(jí)劃分為

16

個(gè)子集案例結(jié)果原始圖像圖像（灰度）的直方圖知識(shí)拆解1.圖像降維（1）算法介紹圖像降維是指將高維的圖像數(shù)據(jù)轉(zhuǎn)換到低維空間，以便簡(jiǎn)化數(shù)據(jù)處理和分析的過(guò)程。在OpenCV中，圖像降維通常指的是將彩色圖像轉(zhuǎn)換為灰度圖像，因?yàn)榛叶葓D像只有一個(gè)通道，而彩色圖像通常有多個(gè)通道（如RGB圖像有三個(gè)通道）。將彩色圖像轉(zhuǎn)換為灰度圖像通常使用加權(quán)平均法。該方法根據(jù)人眼對(duì)不同顏色的敏感度，為RGB三個(gè)通道分配不同的權(quán)重，然后計(jì)算加權(quán)平均值作為灰度值。在OpenCV中，默認(rèn)的權(quán)重是：紅色0.299，綠色0.587，藍(lán)色0.114。（2）函數(shù)介紹OpenCV提供了cv2.cvtColor()函數(shù)來(lái)實(shí)現(xiàn)圖像的降維。知識(shí)拆解（3）函數(shù)語(yǔ)法格式cv2.cvtColor(src,code[,dst[,dstCn]])（4）函數(shù)參數(shù)介紹src：輸入圖像，可以是彩色圖像。code：轉(zhuǎn)換類型。對(duì)于將彩色圖像轉(zhuǎn)換為灰度圖像，通常使用cv2.COLOR_BGR2GRAY（如果圖像是BGR格式）或cv2.COLOR_RGB2GRAY（如果圖像是RGB格式）。dst：輸出圖像，與src具有相同的大小和深度。dstCn：目標(biāo)圖像的通道數(shù)。這個(gè)參數(shù)是可選的，通常不需要設(shè)置。知識(shí)拆解2.直方圖繪制（1）算法介紹圖像的直方圖是一種重要的圖像處理工具，它表示了圖像中像素值的分布。簡(jiǎn)單來(lái)說(shuō)，圖像直方圖統(tǒng)計(jì)了圖像中不同像素值（或灰度級(jí)）出現(xiàn)的次數(shù)或頻率。對(duì)于一幅數(shù)字圖像，其直方圖的定義是一個(gè)離散函數(shù)。在這個(gè)函數(shù)中，每一個(gè)可能的像素值（或灰度級(jí)）都對(duì)應(yīng)一個(gè)數(shù)，這個(gè)數(shù)表示該像素值在圖像中出現(xiàn)的次數(shù)或頻率。例如，在8位灰度圖像中，有256個(gè)可能的灰度級(jí)（從0到255），直方圖就會(huì)統(tǒng)計(jì)這256個(gè)灰度級(jí)各自在圖像中出現(xiàn)的次數(shù)。圖像的直方圖統(tǒng)計(jì)有助于我們了解圖像的亮度分布、對(duì)比度等特性。例如，如果圖像的直方圖大部分像素值都集中在較暗或較亮的區(qū)域，那么圖像可能對(duì)比度較低，看起來(lái)較為模糊。知識(shí)拆解繪制圖像直方圖的方法通常如下：1）遍歷圖像的每一個(gè)像素，統(tǒng)計(jì)每個(gè)像素值（或灰度級(jí)）出現(xiàn)的次數(shù)。2）使用統(tǒng)計(jì)結(jié)果作為縱坐標(biāo)，像素值（或灰度級(jí)）作為橫坐標(biāo)，繪制直方圖。如果采用歸一化的直方圖，則縱坐標(biāo)表示的是像素值出現(xiàn)的頻率，而不是次數(shù)。在實(shí)際應(yīng)用中，圖像直方圖具有許多優(yōu)點(diǎn)，如計(jì)算代價(jià)較小、具有圖像平移、旋轉(zhuǎn)、縮放不變性等。它被廣泛地應(yīng)用于圖像處理的各個(gè)領(lǐng)域，特別是灰度圖像的閾值分割、基于顏色的圖像檢索以及圖像分類等。通過(guò)繪制和分析圖像的直方圖，我們可以更好地理解圖像的特性和分布，從而進(jìn)行更有效的圖像處理和分析。（2）函數(shù)介紹OpenCV提供了cv2.calcHist()函數(shù)來(lái)計(jì)算圖像的直方圖，并使用matplotlib庫(kù)中的plt.hist()、plt.plot()和plt.show()函數(shù)來(lái)繪制直方圖。知識(shí)拆解（3）函數(shù)語(yǔ)法格式及參數(shù)介紹1）cv2.calcHist()函數(shù)語(yǔ)法格式：cv2.calcHist([images],channels,mask,histSize,ranges,[hist[,accumulate]])參數(shù)介紹：images：源圖像的列表。它應(yīng)該是一個(gè)圖像數(shù)組，其中可以使用多個(gè)圖像。圖像應(yīng)該具有相同的深度和大小。channels：用于計(jì)算直方圖的通道列表。例如，如果輸入是灰度圖像，它的通道將是[0]。對(duì)于彩色圖像，它可以傳遞[0]，[1]或[2]分別計(jì)算藍(lán)色、綠色或紅色通道的直方圖。知識(shí)拆解mask：可選的掩碼。如果指定了掩碼，則函數(shù)僅計(jì)算掩碼非零元素定義的區(qū)域的直方圖。histSize：每個(gè)維度的大小。ranges：表示每個(gè)維度的可能值范圍的列表。例如，對(duì)于8位單通道圖像，范圍是[0,256]。hist：輸出直方圖，是一個(gè)數(shù)組。accumulate：可選的布爾值。如果為True，則直方圖被累加到hist中，而不是重新計(jì)算。知識(shí)拆解2）plt.hist()函數(shù)語(yǔ)法格式：plt.hist(hist.ravel(),bins=256,range=[0,256])參數(shù)介紹：hist.ravel()：將直方圖數(shù)組轉(zhuǎn)換為一維數(shù)組，以便繪制。bins：直方圖的條形數(shù)。range：像素值的范圍知識(shí)拆解3）plt.plot()函數(shù)語(yǔ)法格式：matplotlib.pyplot.plot(*args,**kwargs)參數(shù)介紹：*args：是一個(gè)可變數(shù)量的位置參數(shù)，定義了y值的數(shù)據(jù)點(diǎn)。對(duì)于x值，可以傳遞一個(gè)與y值長(zhǎng)度相同的序列，或者省略它（在這種情況下，x值會(huì)被自動(dòng)設(shè)置為[0,1,2,...]）。x,y：分別代表x軸和y軸的數(shù)據(jù)點(diǎn)序列。x和y應(yīng)該是長(zhǎng)度相同的序列。formatstring（可選）：一個(gè)格式字符串，指定了線的顏色、線型、標(biāo)記等屬性。例如，'r--'表示紅色虛線，'go-'表示帶有綠色圓圈的實(shí)線。**kwargs：關(guān)鍵字參數(shù)，用于指定各種可選屬性。color或c：線的顏色?？梢允穷A(yù)定義的顏色名稱（如'red','green'），也可以是十六進(jìn)制顏色代碼（如'#FF5733'），RGB元組（如(0.1,0.2,0.5)）等。知識(shí)拆解linestyle或ls：線的樣式?？梢允穷A(yù)定義的線型名稱（如'solid','dashed','dashdot','dotted'）或它們的縮寫（如'-','--','-.',':'）。marker：用于標(biāo)記數(shù)據(jù)點(diǎn)的符號(hào)類型?？梢允穷A(yù)定義的符號(hào)（如'o','.',','等）或它們的縮寫。markersize或ms：標(biāo)記的大小。label：用于圖例的標(biāo)簽。linewidth或lw：線的寬度。alpha：透明度，取值范圍在0（完全透明）到1（完全不透明）之間。知識(shí)運(yùn)用1.import

cv2

2.import

matplotlib.pyplot

as

plt

3.#第一步，讀取圖像4.img

=

cv2.imread('sea.jpg',

cv2.IMREAD_GRAYSCALE)

5.#第二步，計(jì)算灰度圖像的直方圖6.hist

=

cv2.calcHist([img],

[0],

None,

[256],

[0,

256])

7.#第三步，設(shè)置兩個(gè)畫布區(qū)域，左側(cè)繪制灰度圖像，右側(cè)繪制圖像直方圖

8.fig,

axes

=

plt.subplots(1,

2,

figsize=(12,

4))

9.axes[0].imshow(img,

'gray')

10.axes[0].set_xticks([])

11.axes[0].set_yticks([])

知識(shí)運(yùn)用12.#第四步，使用plot函數(shù)進(jìn)行直方圖繪制，并調(diào)用fill函數(shù)填充顏色

13.axes[1].plot(hist,

color='#888888')

14.axes[1].fill(hist,

'#888888')

15.#第五步，顯示畫布16.plt.show()

使用plt,plot()函數(shù)繪制的圖像直方圖知識(shí)運(yùn)用1.import

numpy

as

np

2.import

cv2

3.import

matplotlib.pyplot

as

plt

4.#第一步，讀取圖片5.img

=

cv2.imread('sea.jpg')

6.#第二步，設(shè)置兩個(gè)畫布區(qū)域，左側(cè)繪制彩色圖像，右側(cè)繪制各通道直方圖7.fig,

axes

=

plt.subplots(1,

2,

figsize=(12,

4))

8.axes[0].imshow(cv2.cvtColor(img,

cv2.COLOR_BGR2RGB))

9.axes[0].set_xticks([])

10.axes[0].set_yticks([])

知識(shí)運(yùn)用11.#

第三步，繪制BGR通道的直方圖

12.colors

=

('blue',

'red',

'green')

13.for

i,

color

in

enumerate(colors):

14.

hist

=

cv2.calcHist([img],

[i],

None,

[256],

[0,

256])

15.

axes[1].plot(hist,

color=color)

16.#第四步，顯示畫布17.plt.show()

彩色圖像直方圖知識(shí)運(yùn)用1.import

cv2

2.import

matplotlib.pyplot

as

plt

3."""

4.Hue色調(diào):

0-180

5.Saturation飽和度:

0-255

6.Value亮度:

0-255

7."""

8.#

第一步，讀取圖像，并從BGR轉(zhuǎn)換為HSV

9.img

=

cv2.imread('sea.jpg')

10.hsv

=

cv2.cvtColor(img,

cv2.COLOR_BGR2HSV)

11.#

第二步，生成Matplotlib畫布

fig,

axes

=

plt.subplots(1,

4,

figsize=(12,

4))知識(shí)運(yùn)用13.#

第三步，顯示原始圖像

14.axes[0].imshow(cv2.cvtColor(img,

cv2.COLOR_BGR2RGB))

15.axes[0].set_title("Orig")

16.axes[0].set_xticks([])

17.axes[0].set_yticks([])

18.#

第四步，分別計(jì)算H、S、V三個(gè)維度的直方圖，并進(jìn)行顯示

19.names

=

['Hue',

'Saturation',

'Value']

20.values

=

[180,

256,

256]

21.for

i,

name

in

enumerate(names):

22.

hist

=

cv2.calcHist([hsv],

[i],

None,

[values[i]],

[0,

values[i]])

23.

axes[i+1].plot(hist)

axes[i+1].set_title(name)

知識(shí)運(yùn)用25.

axes[i+1].set_xticks([])

26.

axes[i+1].set_yticks([])

27.plt.show()

HSV模式圖像直方圖知識(shí)運(yùn)用1.import

cv2

2.import

matplotlib.pyplot

as

plt

3.#

第一步，讀取圖像，并從BGR轉(zhuǎn)換為HSV

4.img

=

cv2.imread('sea.jpg')

5.hsv

=

cv2.cvtColor(img,

cv2.COLOR_BGR2HSV)

6.#

第二步，生成Matplotlib畫布

7.fig,

axes

=

plt.subplots(1,

2,

figsize=(8,

4))

8.axes[0].imshow(cv2.cvtColor(img,

cv2.COLOR_BGR2RGB))

9.axes[0].set_title("Orig")

10.axes[0].set_xticks([])

11.axes[0].set_yticks([])

知識(shí)運(yùn)用12.#

第三步，計(jì)算H、S維度的直方圖，第二個(gè)參數(shù)channels設(shè)置為[0,

1]

13.#

結(jié)果是2D直方圖數(shù)組，大小為（180，

256）

14.hist

=

cv2.calcHist([hsv],

[0,

1],

None,

[180,

256],

[0,

180,

0,

256])

15.axes[1].imshow(hist)

#

設(shè)置插值方式為鄰進(jìn)點(diǎn)插值

16.axes[1].set_title("Hue-Saturation")

17.#第四步，顯示2D直方圖18.plt.show()

圖像的2D直方圖任務(wù)小結(jié)

直方圖繪制函數(shù)直方圖繪制的原理對(duì)于一幅數(shù)字圖像，其直方圖的定義是一個(gè)離散函數(shù)。在這個(gè)函數(shù)中，每一個(gè)可能的像素值（或灰度級(jí)）都對(duì)應(yīng)一個(gè)數(shù)，這個(gè)數(shù)表示該像素值在圖像中出現(xiàn)的次數(shù)或頻率。cv2.calcHist([images],channels,mask,histSize,ranges,[hist[,accumulate]])任務(wù)一

直方圖的繪制任務(wù)二統(tǒng)計(jì)圖中信息

任務(wù)導(dǎo)入在圖像處理和數(shù)據(jù)分析中，我們經(jīng)常需要關(guān)注圖像中的特定區(qū)域或特征。為了提取這些區(qū)域或特征的信息，我們可以使用掩碼圖像來(lái)過(guò)濾掉不感興趣的部分，只保留我們關(guān)心的部分。掩碼圖像是一個(gè)與原圖大小相同的二值圖像，用于指示哪些像素應(yīng)該被保留，哪些像素應(yīng)該被忽略。同時(shí)，統(tǒng)計(jì)圖作為一種重要的數(shù)據(jù)可視化工具，能夠直觀地展示數(shù)據(jù)的分布情況、變化趨勢(shì)等信息。通過(guò)統(tǒng)計(jì)圖，我們可以快速地獲取數(shù)據(jù)的概覽，進(jìn)而進(jìn)行深入的分析。案例代碼1.import

cv2

#

導(dǎo)入OpenCV庫(kù)，用于圖像處理

2.import

numpy

as

np

#

導(dǎo)入NumPy庫(kù)，用于數(shù)組操作

3.#

第一步，讀取圖像文件，0表示以灰度模式讀取圖像

4.image1

=

cv2.imread('clothes.jpg',

0)

5.#第二步，

創(chuàng)建一個(gè)與圖像大小相同的全零數(shù)組作為掩碼6.mask

=

np.zeros(image1.shape,

dtype=np.uint8)

7.#dtype=np.uint8表示數(shù)組元素的數(shù)據(jù)類型為無(wú)符號(hào)8位整數(shù)

8.#

將掩碼中坐標(biāo)(50,50)到(200,200)的矩形區(qū)域設(shè)置為255（白色）

9.mask[50:200,

50:200]

=

255

10.#

第三步，使用cv2.bitwise_and函數(shù)將圖像與掩碼進(jìn)行按位與運(yùn)算，保留掩碼為白色的圖像區(qū)域

11.result

=

cv2.bitwise_and(image1,

mask)

案例代碼12.#

第四步，顯示原始圖像

13.cv2.imshow('image',

image1)

14.#

第五步，顯示掩碼

15.cv2.imshow('mask',

mask)

16.#

第六步，顯示按位與運(yùn)算后的結(jié)果圖像

17.cv2.imshow('result',

result)

18.#

等待用戶按鍵，參數(shù)0表示無(wú)限等待

19.cv2.waitKey(0)

20.#

銷毀所有創(chuàng)建的窗口

21.cv2.destroyAllWindows()

案例結(jié)果原始圖像掩碼圖像案例代碼1.import

cv2

#

導(dǎo)入OpenCV庫(kù)，用于圖像處理

2.import

matplotlib.pyplot

as

plt

#

導(dǎo)入matplotlib庫(kù)，用于繪圖

3.#

第一步，讀取圖片文件

4.clothes

=

cv2.imread("clothes.jpg")

5.#第二步，設(shè)置需要統(tǒng)計(jì)的信息

6.mask

=

None

7.histSize

=

[256]

8.ranges

=

[0,255]

9.#

第三步，初始化channels列表，用于存儲(chǔ)統(tǒng)計(jì)色彩通道的索引

10.#

channels

代表統(tǒng)計(jì)的色彩通道，這里初始化為只統(tǒng)計(jì)藍(lán)色通道

11.channels

=

[0]

案例代碼12.#

第四步，計(jì)算藍(lán)色通道的直方圖

13.#

cv2.calcHist函數(shù)用于計(jì)算圖像的直方圖

14.blue_hist

=

cv2.calcHist([clothes],

channels,

mask,

histSize,

ranges)

15.#

第五步，繪制藍(lán)色通道的直方圖，用藍(lán)色表示

16.plt.plot(blue_hist,

'b')

17.#

第六步，修改channels列表以統(tǒng)計(jì)綠色通道

18.channels

=

[1]

19.#

第七步，計(jì)算綠色通道的直方圖

20.green_hist

=

cv2.calcHist([clothes],

channels,

mask,

histSize,

ranges)

21.#

第八步，繪制綠色通道的直方圖，用綠色表示

22.plt.plot(green_hist,

'g')

案例代碼23.#

第九步，修改channels列表以統(tǒng)計(jì)紅色通道

24.channels

=

[2]

25.#

第十步，計(jì)算紅色通道的直方圖

26.red_hist

=

cv2.calcHist([clothes],

channels,

mask,

histSize,

ranges)

27.#

第十一步，繪制紅色通道的直方圖，用紅色表示

28.plt.plot(red_hist,

'r')

29.#

第十二步，顯示直方圖

30.plt.show()

掩碼圖像機(jī)器直方圖知識(shí)拆解1．掩碼圖像（1）算法介紹掩碼圖像（MaskImage）是一種特殊的二值圖像，其中每個(gè)像素只有兩種可能的值（通常是0和255），用于指示在圖像處理中哪些像素應(yīng)該被處理或保留，哪些應(yīng)該被忽略。掩碼圖像常用于圖像分割、特征提取、圖像合成等任務(wù)中。使用掩碼進(jìn)行圖像處理的算法通常涉及以下幾個(gè)步驟：1）創(chuàng)建掩碼：根據(jù)任務(wù)需求，創(chuàng)建一個(gè)二值圖像作為掩碼。掩碼中的每個(gè)像素值通常通過(guò)條件判斷或計(jì)算得出。2）應(yīng)用掩碼：在圖像處理操作中，將掩碼作為參數(shù)傳入。掩碼決定了哪些像素會(huì)被處理，哪些會(huì)被忽略。3）執(zhí)行操作：根據(jù)掩碼指示，對(duì)圖像中的特定區(qū)域執(zhí)行特定的操作，如像素值相加、替換等。知識(shí)拆解（2）函數(shù)介紹有多個(gè)函數(shù)可以用于創(chuàng)建和應(yīng)用掩碼，例如：np.zeros()：NumPy函數(shù)，用于創(chuàng)建指定形狀和類型的全零數(shù)組，常用于初始化掩碼。cv2.add()：帶有掩碼參數(shù)的圖像加法函數(shù)，僅對(duì)掩碼指示的區(qū)域進(jìn)行像素相加。cv2.threshold()：通過(guò)閾值操作將灰度圖像或彩色圖像轉(zhuǎn)換為二值掩碼。知識(shí)拆解（3）函數(shù)語(yǔ)法格式及參數(shù)介紹1）np.zeros()函數(shù)語(yǔ)法格式：numpy.zeros(shape,dtype=float,order='C')參數(shù)介紹：shape：輸出的形狀。dtype：輸出的數(shù)據(jù)類型。默認(rèn)為np.float64。order：指定以何種內(nèi)存布局存儲(chǔ)數(shù)據(jù)。'C'表示以行優(yōu)先順序（C風(fēng)格）存儲(chǔ)，'F'表示以列優(yōu)先順序（Fortran風(fēng)格）存儲(chǔ)，'A'表示原始順序，'K'表示元素在內(nèi)存中的出現(xiàn)順序。知識(shí)拆解2）cv2.add()函數(shù)語(yǔ)法格式：cv2.add(src1,src2,dst=None,mask=None,dtype=None)參數(shù)介紹：src1：第一個(gè)輸入數(shù)組或與src2大小和類型相同的矩陣。src2：第二個(gè)輸入數(shù)組，它的大小和類型與src1相同。dst：輸出數(shù)組，是一個(gè)可選參數(shù)，其大小和類型與src1和src2相同。mask：可選的操作掩碼，8位單通道數(shù)組，指定哪些元素需要進(jìn)行操作。dtype：可選的輸出數(shù)組的深度；當(dāng)兩個(gè)輸入數(shù)組具有相同的深度時(shí)，這個(gè)參數(shù)也是可選的。知識(shí)拆解3）cv2.threshold()函數(shù)語(yǔ)法格式：ret,dst=cv2.threshold(src,thresh,maxval,type[,dst])參數(shù)介紹：src：輸入圖像（多通道圖像將被轉(zhuǎn)換為灰度圖像）。thresh：閾值。maxval：當(dāng)像素值超過(guò)（或有時(shí)小于，取決于類型）閾值時(shí)賦予的像素值。type：閾值類型，如cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV等。dst：輸出圖像，與源圖像具有相同大小和類型。知識(shí)運(yùn)用1.import

cv2

#

導(dǎo)入OpenCV庫(kù)，用于圖像處理

2.import

numpy

as

np

#

導(dǎo)入NumPy庫(kù)，用于數(shù)組操作

3.#

第一步，讀取兩張圖像文件，分別是lena.png和heart.jpg

4.image1

=

cv2.imread('lena.png')

5.image2

=

cv2.imread('heart.jpg')

6.#第二步，創(chuàng)建一個(gè)與image1大小相同的全零數(shù)組作為掩碼，dtype=np.uint8表示數(shù)組元素的數(shù)據(jù)類型為無(wú)符號(hào)8位整數(shù)

7.mask

=

np.zeros((image1.shape[0],

image1.shape[1]),

dtype=np.uint8)

8.#

將掩碼中坐標(biāo)(50,50)到(200,200)的矩形區(qū)域設(shè)置為255（白色）

9.mask[50:200,

50:200]

=

255

10.#

第三步，使用cv2.add函數(shù)將image1和image2進(jìn)行加權(quán)相加，其中mask參數(shù)指定了哪些區(qū)域的像素值會(huì)被相加

知識(shí)運(yùn)用11.#

在mask為白色的區(qū)域，image1和image2的像素值會(huì)相加；在mask為黑色的區(qū)域，保持image1的像素值不變

12.result

=

cv2.add(image1,

image2,

mask=mask)

13.#

第四步，使用掩碼將image2的內(nèi)容復(fù)制到image1的對(duì)應(yīng)區(qū)域

14.image1[mask

==

255]

=

result[mask

==

255]

15.#

第五步，顯示掩碼部位改變后的初始圖片lena.png

16.cv2.imshow('Modified

lena.png',

image1)

17.#

第六步，顯示掩碼

18.cv2.imshow('mask',

mask)

19.#

第七步，顯示加權(quán)相加后的結(jié)果圖像

20.cv2.imshow('result',

result)

知識(shí)運(yùn)用21.#

等待用戶按鍵，參數(shù)0表示無(wú)限等待

22.cv2.waitKey(0)

23.#

銷毀所有創(chuàng)建的窗口

24.cv2.destroyAllWindows()

加權(quán)掩碼圖像知識(shí)拆解2．統(tǒng)計(jì)圖像信息（1）算法介紹OpenCV為圖像分析提供了豐富的統(tǒng)計(jì)工具。通過(guò)計(jì)算圖像的均值、標(biāo)準(zhǔn)差等像素值統(tǒng)計(jì)，可以了解圖像的整體亮度分布和對(duì)比度情況。同時(shí)，直方圖統(tǒng)計(jì)能夠展示圖像中不同像素值的頻率分布，為圖像處理和增強(qiáng)提供重要依據(jù)。此外，連通區(qū)域統(tǒng)計(jì)、邊緣與角點(diǎn)檢測(cè)等功能，則有助于識(shí)別圖像中的形狀、紋理等特征，進(jìn)一步加深對(duì)圖像內(nèi)容的理解。OpenCV不僅支持基本的像素和形狀統(tǒng)計(jì)，還能進(jìn)行更高級(jí)的圖像分析。例如，利用圖像矩可以計(jì)算形狀的幾何特征，如面積、方向等；顏色特征統(tǒng)計(jì)則能夠揭示圖像中不同顏色分量的比例和分布。這些統(tǒng)計(jì)信息在目標(biāo)識(shí)別、場(chǎng)景分割等應(yīng)用中發(fā)揮著關(guān)鍵作用，使得圖像處理任務(wù)更加精準(zhǔn)和高效。知識(shí)拆解（2）函數(shù)介紹OpenCV提供了多個(gè)函數(shù)用于統(tǒng)計(jì)圖像信息，如直方圖計(jì)算、像素值統(tǒng)計(jì)等。1）直方圖計(jì)算：使用cv2.calcHist()函數(shù)計(jì)算圖像的直方圖，可以統(tǒng)計(jì)不同通道的像素值分布情況。2）像素值統(tǒng)計(jì)：可以通過(guò)遍歷圖像像素或使用NumPy的聚合函數(shù)（如np.mean()、np.std()等）來(lái)統(tǒng)計(jì)圖像的均值、標(biāo)準(zhǔn)差等。（3）函數(shù)語(yǔ)法格式cv2.calcHist(images,channels,mask,histSize,ranges[,hist[,accumulate]])知識(shí)拆解（4）參數(shù)介紹images：源圖像，列表格式，應(yīng)該只包含單個(gè)圖像。channels：用于計(jì)算直方圖的通道列表，例如[0]表示藍(lán)色通道，[1]表示綠色通道，[2]表示紅色通道。mask：可選的掩碼。如果指定，則僅計(jì)算掩碼非零區(qū)域的直方圖。histSize：每個(gè)維度的大小，應(yīng)該是一個(gè)包含整數(shù)的元組。ranges：每個(gè)維度的取值范圍，應(yīng)該是一個(gè)包含元組的列表，每個(gè)元組包含兩個(gè)數(shù)值，表示該維度的最小值和最大值。hist：可選的輸出直方圖，是一個(gè)數(shù)組。accumulate：可選的標(biāo)志，指定是否累加直方圖知識(shí)運(yùn)用1.import

cv2

#

導(dǎo)入OpenCV庫(kù)，用于圖像處理

2.import

matplotlib.pyplot

as

plt

#

導(dǎo)入Matplotlib庫(kù)，用于繪圖

3.import

numpy

as

np

#

導(dǎo)入NumPy庫(kù)，用于數(shù)組操作

4.#

第一步，讀取圖像文件，'0'參數(shù)表示以灰度模式讀取圖像

5.img

=

cv2.imread('sea.jpg',

0)

6.#

第二步，創(chuàng)建一個(gè)與圖像形狀相同、數(shù)據(jù)類型為uint8的全零數(shù)組作為掩碼

7.#

255代表白色，在掩碼中用于標(biāo)識(shí)需要保留的區(qū)域

8.mask

=

np.zeros(img.shape,

np.uint8)

9.#

第三步，將掩碼中指定區(qū)域的像素值設(shè)為255，形成一個(gè)矩形框的掩碼

10.mask[200:360,

200:400]

=

255

知識(shí)運(yùn)用11.#

第四步，使用cv2.bitwise_and函數(shù)將掩碼應(yīng)用到原始圖像上

12.#

掩碼為白色的區(qū)域保留原始圖像的像素值，黑色區(qū)域則變?yōu)?（黑色）

13.img_mask

=

cv2.bitwise_and(img,

img,

mask=mask)

14.#

第五步，分別計(jì)算沒(méi)有掩碼和有掩碼的圖像直方圖值

15.#

直方圖用于展示圖像中像素值的分布情況

16.hist1

=

cv2.calcHist([img],

[0],

None,

[256],

[0,

256])

#

不使用掩碼

17.hist2

=

cv2.calcHist([img],

[0],

mask,

[256],

[0,

256])

#

使用掩碼

18.#

第六步，創(chuàng)建一個(gè)2X2的畫布用于展示圖像和直方圖

19.fig,

axes

=

plt.subplots(2,

2,

figsize=(8,

6))

20.#

第七步，在左上角展示完整圖像

21.axes[0][0].imshow(img,

'gray')

22.axes[0][0].set_title('Original

Image')

#

設(shè)置標(biāo)題

知識(shí)運(yùn)用23.#

第八步，在右上角展示掩碼

24.axes[0][1].imshow(mask,

'gray')

25.axes[0][1].set_title('Mask')

#

設(shè)置標(biāo)題

26.#

第九步，在左下角展示掩碼處理后的局部圖像

27.axes[1][0].imshow(img_mask,

'gray')

28.axes[1][0].set_title('Masked

Image')

#

設(shè)置標(biāo)題

29.#

第十步，在右下角繪制直方圖，紅色表示原始圖像的直方圖，綠色表示使用掩碼后的直方圖

30.axes[1][1].plot(hist1,

color='red',

label='Original

Histogram')

31.axes[1][1].plot(hist2,

color='green',

label='Masked

Histogram')

知識(shí)運(yùn)用32.axes[1][1].set_title('Histograms')

#

設(shè)置標(biāo)題

33.axes[1][1].legend()

#

顯示圖例

34.#

第十一步，顯示整個(gè)畫布

35.plt.show()

繪制掩碼圖像與原始圖像直方圖任務(wù)小結(jié)

圖像掩碼函數(shù)圖像掩碼的原理掩碼圖像（MaskImage）是一種特殊的二值圖像，其中每個(gè)像素只有兩種可能的值（通常是0和255），用于指示在圖像處理中哪些像素應(yīng)該被處理或保留，哪些應(yīng)該被忽略。np.zeros()cv2.add()cv2.threshold()任務(wù)二

統(tǒng)計(jì)圖中信息任務(wù)三圖像均衡化處理

任務(wù)導(dǎo)入直方圖均衡化是一種常用的圖像增強(qiáng)方法，它通過(guò)拉伸圖像的像素強(qiáng)度分布范圍，使得圖像的對(duì)比度得到增強(qiáng)。具體來(lái)說(shuō)，直方圖均衡化會(huì)根據(jù)圖像的直方圖分布，對(duì)像素值進(jìn)行非線性變換，使得變換后的圖像直方圖分布更加均勻。然而，傳統(tǒng)的直方圖均衡化方法在處理一些復(fù)雜場(chǎng)景或細(xì)節(jié)豐富的圖像時(shí)，可能會(huì)出現(xiàn)過(guò)度增強(qiáng)或噪聲放大等問(wèn)題。為了解決這些問(wèn)題，我們引入了自適應(yīng)直方圖均衡化（AHE）方法。AHE通過(guò)對(duì)圖像的局部區(qū)域進(jìn)行直方圖均衡化，可以更好地保留圖像的細(xì)節(jié)和紋理信息，同時(shí)減少噪聲的影響。案例代碼1.import

cv2

2.import

numpy

as

np

3.import

matplotlib.pyplot

as

plt

4.#

第一步，讀取圖像

5.image

=

cv2.imread('view.jpg',

0)

#

0表示以灰度模式讀取圖像

6.#

第二步，直方圖均衡化

7.equ_image

=

cv2.equalizeHist(image)

8.#

第三步，自適應(yīng)直方圖均衡化

9.clahe

=

cv2.createCLAHE(clipLimit=2.0,

tileGridSize=(8,

8))

10.clahe_image

=

clahe.apply(image)

案例代碼11.#

第四步，顯示原圖和處理后的圖像

12.titles

=

['Original

Image',

'Histogram

Equalization',

'Adaptive']

13.images

=

[image,

equ_image,

clahe_image]

14.for

i

in

range(3):

15.

plt.subplot(1,

3,

i

+

1),

plt.imshow(images[i],

'gray')

16.

plt.title(titles[i])

17.

plt.xticks([]),

plt.yticks([])

18.plt.show()

案例結(jié)果圖像的直方圖均衡化與自適應(yīng)直方圖均衡化知識(shí)拆解1.直方圖均衡化（1）算法介紹直方圖均衡化（HistogramEqualization）是一種用于增強(qiáng)圖像對(duì)比度的技術(shù)。它通過(guò)拉伸圖像的直方圖，使得像素強(qiáng)度分布更加均勻，從而改善圖像的視覺(jué)效果。具體來(lái)說(shuō)，直方圖均衡化會(huì)重新分配圖像的像素值，使得在原始圖像中像素值較少的區(qū)域在均衡化后的圖像中擁有更廣泛的像素值分布。這種方法對(duì)于背景和前景都太亮或者太暗的圖像非常有用，可以有效提升圖像的對(duì)比度，使細(xì)節(jié)更加清晰。知識(shí)拆解（2）函數(shù)介紹OpenCV提供了多個(gè)函數(shù)來(lái)實(shí)現(xiàn)直方圖均衡化，包括cv2.split()、cv2.equalizeHist()和cv2.merge()。這些函數(shù)通常用于對(duì)彩色圖像進(jìn)行處理，其中cv2.split()用于將圖像拆分為單個(gè)通道（如B、G、R），cv2.equalizeHist()用于對(duì)每個(gè)通道進(jìn)行直方圖均衡化，而cv2.merge()則用于將均衡化后的通道合并回一張圖像。此外，matplotlib.pyplot.hist()和matplotlib.pyplot.figure()函數(shù)可用于繪制和顯示圖像的直方圖，幫助用戶直觀地了解圖像的像素強(qiáng)度分布。知識(shí)拆解（3）函數(shù)語(yǔ)法格式及參數(shù)介紹1）cv2.split()語(yǔ)法格式：b,g,r=cv2.split(img)參數(shù)介紹：img：輸入的彩色圖像。返回值：b、g、r：分別代表圖像的藍(lán)色、綠色和紅色通道。2）cv2.equalizeHist()語(yǔ)法格式：cv2.equalizeHist(src)參數(shù)介紹：src：輸入的灰度圖像或單個(gè)通道的圖像。返回值：equ：均衡化后的圖像。知識(shí)拆解3）cv2.merge()語(yǔ)法格式：cv2.merge((b,g,r))參數(shù)介紹：(b,g,r)：一個(gè)包含三個(gè)通道的元組，每個(gè)通道都是一個(gè)二維數(shù)組。返回值：merged_img：合并后的彩色圖像。density：是否歸一化直方圖。該函數(shù)用于繪制直方圖，展示數(shù)據(jù)的分布情況。知識(shí)拆解4）matplotlib.pyplot.hist()語(yǔ)法格式：plt.hist(x,bins,range,density,etc.)參數(shù)介紹：x：輸入數(shù)據(jù)，通常是一維數(shù)組。bins：直方圖的箱數(shù)，即數(shù)據(jù)的分段數(shù)。range：數(shù)據(jù)的范圍。知識(shí)拆解5）matplotlib.pyplot.figure()語(yǔ)法格式：plt.figure(num=None,figsize=None,dpi=None,facecolor=None,edgecolor=None,frameon=True)參數(shù)介紹：num：圖像編號(hào)或名稱。figsize：圖像的尺寸，以英寸為單位。dpi：圖像的分辨率。facecolor：圖像的背景色。edgecolor：圖像的邊框色。frameon：是否顯示圖像邊框。該函數(shù)用于創(chuàng)建一個(gè)新的圖像窗口，用于顯示圖形或圖像。知識(shí)運(yùn)用1.import

numpy

as

np

2.import

cv2

3.import

matplotlib.pyplot

as

plt

4."""一副效果好的圖像通常在直方圖上的分布比較均勻，直方圖均衡化就是用來(lái)改善圖像的全局亮度和對(duì)比度。

OpenCV中用cv2.equalizeHist()實(shí)現(xiàn)均衡化。

"""

5.#第一步，導(dǎo)入圖片6.img

=

cv2.imread('sea_gray.jpg',

cv2.IMREAD_GRAYSCALE)

7.#

調(diào)用cv2.equalizeHist()實(shí)現(xiàn)全局均衡化

8.img_equal

=

cv2.equalizeHist(img)

9.#

分別計(jì)算原始圖像直方圖和均衡化圖像直方圖

10.hist1

=

cv2.calcHist([img],

[0],

None,

[256],

[0,

256])

11.hist2

=

cv2.calcHist([img_equal],

[0],

None,

[256],

[0,

256])

知識(shí)運(yùn)用12.#

使用Matplotlib進(jìn)行展示，設(shè)置2X2的畫板

13.#

展示原始圖像、均衡化圖像、原始圖像直方圖、均衡化圖像直方圖

14.fig,

axes

=

plt.subplots(2,

2,

figsize=(8,

6))

15.axes[0][0].imshow(img,

'gray')

16.axes[0][1].imshow(img_equal,

'gray')

17.axes[1][0].plot(hist1)

18.axes[1][1].plot(hist2)

19.plt.show()

圖像全局直方圖均衡化前后對(duì)比知識(shí)拆解2.自適應(yīng)直方圖均衡化（1）算法介紹在OpenCV中，自適應(yīng)均衡化是一種改進(jìn)的圖像增強(qiáng)技術(shù)，特別是針對(duì)那些局部對(duì)比度較低或亮度不均勻的圖像。傳統(tǒng)的直方圖均衡化雖然能夠全局地提升圖像的對(duì)比度，但在某些情況下，它可能會(huì)導(dǎo)致圖像的某些區(qū)域過(guò)度增強(qiáng)，從而引入噪聲或失真。自適應(yīng)均衡化則通過(guò)局部地調(diào)整圖像的對(duì)比度來(lái)解決這個(gè)問(wèn)題。自適應(yīng)直方圖均衡化（AdaptiveHistogramEqualization，AHE）通過(guò)計(jì)算圖像的局部直方圖，并據(jù)此調(diào)整每個(gè)像素的亮度值，從而增強(qiáng)圖像的局部對(duì)比度。具體來(lái)說(shuō)，算法會(huì)將圖像劃分為多個(gè)小塊（通常稱為tiles或blocks），然后對(duì)每個(gè)小塊分別進(jìn)行直方圖均衡化。這樣，每個(gè)小塊內(nèi)的像素值分布都會(huì)被拉伸，從而增強(qiáng)該區(qū)域的對(duì)比度。知識(shí)拆解然而，AHE有時(shí)可能會(huì)放大圖像的噪聲，因?yàn)榫植烤饣赡苁沟迷肼暤姆仍黾?。為了避免這個(gè)問(wèn)題，對(duì)比度限制自適應(yīng)直方圖均衡化（ContrastLimitedAdaptiveHistogramEqualization，CLAHE）被提出。CLAHE在AHE的基礎(chǔ)上，通過(guò)限制每個(gè)小塊中直方圖的高度，來(lái)防止噪聲的過(guò)度放大。這通常是通過(guò)設(shè)置一個(gè)對(duì)比度限制參數(shù)（clipLimit）來(lái)實(shí)現(xiàn)的。（2）OpenCV函數(shù)介紹在OpenCV中，可以使用cv2.createCLAHE()函數(shù)來(lái)創(chuàng)建CLAHE對(duì)象，并通過(guò)這個(gè)對(duì)象來(lái)對(duì)圖像進(jìn)行自適應(yīng)均衡化。這個(gè)函數(shù)提供了一種簡(jiǎn)單且有效的方式來(lái)執(zhí)行CLAHE算法。知識(shí)拆解（3）函數(shù)語(yǔ)法格式及參數(shù)介紹函數(shù)語(yǔ)法格式：1）cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))2）clahe.apply(src)參數(shù)介紹：clipLimit：對(duì)比度限制參數(shù)，用于控制直方圖的高度。較高的值可能會(huì)導(dǎo)致對(duì)比度增強(qiáng)更多，但也可能增加噪聲。通常設(shè)定這個(gè)參數(shù)為1.0或2.0。tileGridSize：定義圖像中tiles（小塊）的大小，通常以元組(rows,cols)的形式給出。例如，(8,8)表示圖像將被劃分為8x8個(gè)小塊。默認(rèn)值為(8,8)。知識(shí)拆解src：輸入圖像返回值：clahe：一個(gè)CLAHE對(duì)象，用于后續(xù)對(duì)圖像進(jìn)行自適應(yīng)均衡化。equalized_img：經(jīng)過(guò)CLAHE均衡化后的圖像。使用clahe.apply(src)方法可以將CLAHE對(duì)象應(yīng)用于輸入圖像src，并返回均衡化后的圖像。知識(shí)運(yùn)用1.import

cv2

2.import

matplotlib.pyplot

as

plt

3.#第一步，導(dǎo)入圖片4.img

=

cv2.imread('head.jpg',

0)

5.#

第二步，全局均衡化處理

6.img_equal

=

cv2.equalizeHist(img)

7.#

第三步，自適應(yīng)均衡化，參數(shù)可選

8.#

clipLimit顏色對(duì)比度的閾值

9.#

titleGridSize進(jìn)行像素均衡化的網(wǎng)格大小，即在多少網(wǎng)格下進(jìn)行直方圖的均衡化操作

10.clahe

=

cv2.createCLAHE(clipLimit=2.0,

tileGridSize=(8,

8))

#

todo:

調(diào)整參數(shù)，對(duì)比效果

11.img_clahe

=

clahe.apply(img)

知識(shí)運(yùn)用12.hist1

=

cv2.calcHist([img_equal],

[0],

None,

[256],

[0,

256])

13.hist2

=

cv2.calcHist([img_clahe],

[0],

None,

[256],

[0,

256])

14.#第四步，使用Matplotlib進(jìn)行展示，設(shè)置2X2的畫板

15.#

展示全局均衡化圖像、自適應(yīng)均衡化圖像、全局均衡化直方圖、自適應(yīng)均衡化直方圖

16.fig,

axes

=

plt.subplots(2,

2,

figsize=(8,

6))

17.axes[0][0].imshow(img_equal,

'gray')

18.axes[0][1].imshow(img_clahe,

'gray')

19.axes[1][0].plot(hist1)

20.axes[1][1].plot(hist2)

21.plt.show()

知識(shí)運(yùn)用圖像自適應(yīng)直方圖均衡化前后對(duì)比任務(wù)小結(jié)

直方圖均衡化函數(shù)直方圖均衡化的原理直方圖均衡化會(huì)重新分配圖像的像素值，使得在原始圖像中像素值較少的區(qū)域在均衡化后的圖像中擁有更廣泛的像素值分布。cv2.split()cv2.equalizeHist()cv2.merge()任務(wù)三

圖像均衡化處理任務(wù)四模板匹配

任務(wù)導(dǎo)入模板匹配是一種在圖像處理中廣泛應(yīng)用的技術(shù)，它通過(guò)在目標(biāo)圖像中搜索與給定模板最相似的區(qū)域，實(shí)現(xiàn)目標(biāo)的定位或識(shí)別。在本案例中，演示單模板匹配和多模板匹配的實(shí)現(xiàn)過(guò)程，通過(guò)任務(wù)實(shí)踐，掌握模板匹配的核心算法，并將其應(yīng)用于實(shí)際場(chǎng)景中。案例代碼1.#第一步：導(dǎo)入OpenCV庫(kù)、numpy庫(kù)與matplotlib.pyplot庫(kù)。代碼如下：

2.import

cv2

3.import

matplotlib.pyplot

as

plt

4.#第二步：讀取原始圖片、畫板圖片與模板圖片代碼如下：

5.origin_img

=

cv2.imread("dog.jpg")

6.img

=

cv2.imread("dog.jpg")

7.img_gray

=

cv2.cvtColor(img,

cv2.COLOR_BGR2GRAY)

8.template

=

cv2.imread("temp_dog.jpg",

0)

9.#第三步：獲取模板圖像的shape，用于后續(xù)匹配。代碼如下：

10.th,

tw

=

template.shape[::]

#返回值中的th是模板圖像的高度，tw是模板圖像的寬度。

案例代碼12.#第四步：使用cv2.matchTemplate()匹配圖像。代碼如下：

13.rv

=

cv2.matchTemplate(img_gray,

template,

cv2.TM_SQDIFF)

14.#第五步：將匹配的坐標(biāo)記錄下來(lái)，用于后續(xù)的顯示。代碼如下：

15.minval,

maxVal,

minLoc,

maxLoc

=

cv2.minMaxLoc(rv)

16.topLeft

=

minLoc

17.bottomRight

=

(topLeft[0]

+

tw,

topLeft[1]

+

th)

18.#第六步：將原圖像與匹配的位置顯示出來(lái)，代碼如下：

19.cv2.imshow("origin_img",

origin_img)

20.cv2.waitKey()

21.cv2.rectangle(img,

topLeft,

bottomRight,

255,

2)

22.plt.imshow(img,

cmap='gray')

23.plt.title('Detected

Point')

24.plt.show()

案例結(jié)果原始圖像單模板匹配案例代碼1.#第一步：導(dǎo)入OpenCV庫(kù)、numpy庫(kù)與matplotlib.pyplot庫(kù)。代碼如下：

2.import

cv2

3.import

numpy

as

np

4.import

matplotlib.pyplot

as

plt

5.#第二步：讀取原始圖片與模板圖片。代碼如下：

6.img

=

cv2.imread("dogs.jpg",

0)

7.template

=

cv2.imread("temp_dog.jpg",

0)

8.#第三步：獲取模板圖像的shape，用于后續(xù)匹配。代碼如下：

9.w,

h

=

template.shape[::-1]

案例代碼10.#第四步：使用cv2.matchTemplate()與np.where()函數(shù)匹配圖像。代碼如下：

11.res

=

cv2.matchTemplate(img,

template,

cv2.TM_CCOEFF_NORMED)

12.threshold

=

0.9

13.loc

=

np.where(res

>=

threshold)

14.for

pt

in

zip(*loc[::-1]):

15.

cv2.rectangle(img,

pt,

(pt[0]

+

w,

pt[1]

+

h),

255,

1)

16.#第五步：將匹配成功的圖像顯示出來(lái)，代碼如下：

17.plt.imshow(img,

cmap='gray')

18.plt.xticks([])

19.plt.yticks([])

20.plt.show()

案例結(jié)果多模板匹配知識(shí)拆解（1）算法介紹模板匹配算法的核心是將模板圖像與原始圖像中的每個(gè)部分進(jìn)行比較，通過(guò)逐像素滑動(dòng)模板圖像，計(jì)算模板與原始圖像中每個(gè)位置的相似度。相似度的計(jì)算通?；谙袼刂档牟町惢蚱渌攘繕?biāo)準(zhǔn)。最終，算法會(huì)生成一個(gè)相似度圖，其中每個(gè)像素值反映了模板與原始圖像中該位置的相似程度。OpenCV中使用模板匹配的基本步驟為：1）加載目標(biāo)圖像和要匹配的模板圖像。2）選擇匹配方法：OpenCV支持多種模板匹配方法，如平方差匹配（TM_SQDIFF）、歸一化平方差匹配（TM_SQDIFF_NORMED）、相關(guān)性匹配（TM_CCORR）、歸一化相關(guān)性匹配（TM_CCORR_NORMED）、相關(guān)系數(shù)匹配（TM_CCOEFF）以及歸一化相關(guān)系數(shù)匹配（TM_CCOEFF_NORMED）。這些方法在匹配過(guò)程中采用了不同的相似度度量標(biāo)準(zhǔn)，以適應(yīng)不同的應(yīng)用場(chǎng)景。知識(shí)拆解3）使用cv2.matchTemplate()函數(shù)來(lái)進(jìn)行模板匹配，該函數(shù)將模板圖像在原始圖像上進(jìn)行滑動(dòng)，并計(jì)算每個(gè)位置的相似度。調(diào)用函數(shù)后，將得到一個(gè)灰度圖像作為匹配結(jié)果，其中的每個(gè)像素值表示了對(duì)應(yīng)位置與模板的匹配程度。。4）使用OpenCV的minMaxLoc()函數(shù)來(lái)找到匹配結(jié)果圖像中的最小值和最大值的位置。對(duì)于平方差匹配方法，找到最小值的位置；對(duì)于相關(guān)系數(shù)匹配方法，找到最大值的位置。這個(gè)位置就是目標(biāo)圖像中與模板最匹配的區(qū)域。此時(shí)可以使用cv2.rectangle()函數(shù)根據(jù)坐標(biāo)值繪畫矩陣進(jìn)行標(biāo)注。進(jìn)行目標(biāo)檢測(cè)時(shí)，與模板匹配的目標(biāo)通常有多個(gè)，比如在一張工廠流水線照片中檢測(cè)多個(gè)相同的零件，這時(shí)就需要找出多個(gè)匹配結(jié)果。而函數(shù)cv2.minMaxLoc()僅僅能夠找出最值，無(wú)法給出所有匹配區(qū)域的位置信息。所以，要想匹配多個(gè)結(jié)果，使用函數(shù)cv2.minMaxLoc()是無(wú)法實(shí)現(xiàn)的，需要利用numpy.where()函數(shù)獲取模板匹配位置的集合。知識(shí)拆解（2）函數(shù)語(yǔ)法格式及參數(shù)介紹1）cv2.matchTemplate()語(yǔ)法格式：cv2.matchTemplate(image,template,method[,result[,mask]])參數(shù)介紹：image：原始圖像，可以是灰度圖像或彩色圖像。template：要在原始圖像中查找的模板圖像。method：使用的匹配方法，可以是上述提到的多種方法之一。result：可選參數(shù)，輸出的匹配結(jié)果矩陣。如果提供此參數(shù)，函數(shù)會(huì)將結(jié)果保存在該矩陣中。mask：可選參數(shù)，掩碼圖像，用于指定在模板匹配過(guò)程中哪些像素應(yīng)該被考慮。知識(shí)拆解2）cv2.minMaxLoc()語(yǔ)法格式：min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(src)參數(shù)介紹：src：輸入的數(shù)組或圖像。返回值：min_val：數(shù)組或圖像中的最小值。max_val：數(shù)組或圖像中的最大值。min_loc：最小值的位置（坐標(biāo)）。max_loc：最大值的位置（坐標(biāo)）。知識(shí)拆解3）cv2.rectangle()語(yǔ)法格式：cv2.rectangle(image,pt1,pt2[[,color],thickness])參數(shù)介紹：imag