当前位置：首页 > news >正文

O3.1 opencv高阶

news 2025/9/11 14:35:02

一·扩展代码

逻辑

1. match.py

功能：实现模板匹配功能，且支持对旋转后的模板进行匹配。
- 读取原始图像（image.jpg）和模板图像（tem.jpg），将原始图像转为灰度图。
- 对模板进行两种旋转处理（顺时针 90 度、逆时针 90 度）。
- 定义findtemp函数：使用cv2.matchTemplate进行模板匹配，通过阈值（0.9）筛选匹配区域，并在原始图像上用红色矩形标记匹配结果。
- 分别对原始模板、两种旋转后的模板执行匹配，最终显示标记后的图像。

2. 旋转.py

功能：展示图像旋转的两种实现方法，用于生成旋转后的图像（可作为模板匹配的辅助工具）。
- 方法一：使用np.rot90旋转图像，k=-1表示顺时针 90 度，k=1表示逆时针 90 度。
- 方法二：使用cv2.rotate旋转图像，支持顺时针 90 度、逆时针 90 度、180 度三种旋转方式。
- 显示原始图像和旋转后的图像，便于直观查看旋转效果。

3. 模板与多个对象匹配.py

功能：基础的多对象模板匹配实现，展示模板匹配的核心逻辑。
- 读取原始图像和模板图像，将原始图像转为灰度图。
- 使用cv2.matchTemplate进行匹配，通过阈值筛选匹配区域，并用红色矩形标记所有符合条件的区域。
- 包含辅助代码：解释np.where的返回值格式（用于获取匹配点坐标）和zip函数的打包 / 解包用法（用于处理坐标数据）。

三个文件的搭配关系

技术互补：
- 旋转.py提供图像旋转的基础方法（两种旋转函数），为match.py中 “对模板进行旋转后再匹配” 的功能提供了技术支持（match.py中正是使用了np.rot90实现模板旋转）。
- 模板与多个对象匹配.py展示了模板匹配的核心流程（读取图像、匹配、筛选、标记），而match.py在此基础上扩展了 “旋转模板匹配” 的功能，是对基础模板匹配的进阶应用。
功能递进：
- 先通过旋转.py掌握图像旋转的方法，再通过模板与多个对象匹配.py理解基础模板匹配逻辑，最后结合两者，通过match.py实现更复杂的 “多方向模板匹配”（应对模板可能旋转的场景）。
代码复用：
- match.py中的模板匹配逻辑（如cv2.matchTemplate、阈值筛选、矩形标记）与模板与多个对象匹配.py的核心代码高度相似，前者复用了后者的基础框架。
- match.py中的旋转逻辑（np.rot90）直接来自旋转.py的 “方法一”，体现了代码功能的模块化复用。

综上，三个文件围绕 “图像旋转” 和 “模板匹配” 两个核心技术，从基础方法（旋转.py、模板与多个对象匹配.py）到综合应用（match.py），形成了递进式的功能搭配。

把我的样本图和第二张图进行比对找到和样本图相对的地方，进行采样

代码

match

import cv2
import numpy as npimg_rgb = cv2.imread("image.jpg")
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread("tem.jpg", 0)
h,w = template.shape[:2]
# 旋转模板图像
# 旋转 90 度，k=-1 表示顺时针旋转 90 度
rotated_image1 = np.rot90(template, k=-1)
# 旋转 90 度，k=1 表示逆时针旋转 90 度
rotated_image2 = np.rot90(template, k=1)
def findtemp(temp):# 使用模板匹配方法 cv2.matchTemplate 进行模板匹配res = cv2.matchTemplate(img_gray, temp, cv2.TM_CCOEFF_NORMED)# 设定匹配阈值threshold = 0.9# 获取匹配结果中所有符合阈值的点的坐标loc = np.where(res >= threshold)# 遍历所有匹配点for pt in zip(*loc[::-1]):# 在原图上绘制匹配区域的矩形框cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)
# 对原始模板和旋转后的模板进行匹配
findtemp(template)
findtemp(rotated_image1)
findtemp(rotated_image2)
# 显示最终结果图像
cv2.imshow('res.png', img_rgb)
cv2.waitKey(0)

模板与多个对象匹配

import cv2
import numpy as np
# 读取原始图像和模板图像
img_rgb = cv2.imread('image.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('tem.jpg', 0)
h, w = template.shape[:2]
# 使用模板匹配方法 cv2.matchTemplate 进行模板匹配
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
# 设定匹配阈值
threshold = 0.9
# 获取匹配结果中所有符合阈值的点的坐标
loc = np.where(res >= threshold)  # (符合条件的行，符合条件的列)
# 遍历所有匹配点
for pt in zip(*loc[::-1]):# 在原图上绘制匹配区域的矩形框cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)
cv2.imshow('', img_rgb)
cv2.waitKey(0)# a = np.array([2,4,6,8,10])
# # b= np.array([[2,4,6,8,10]])
# # c= np.array([[2,4,6,8,10],[6,5,6,5,4]])
# d=np.where(a > 5)
# print(d)# zip(*iterables) 将多个可迭代对象（如列表、元组等）进行“解压”操作
# a = [1, 2, 3]
# b = [4, 5, 6]
# # 使用 zip 将它们按位置进行配对
# zipped = zip(a, b)
# print(list(zipped))  # 输出：[(1, 4), (2, 5), (3, 6)]
# #
# # # 假设我们已经有了一个打包好的 zip 对象
# zipped = zip(a, b)
# # 使用 * 运算符解包，得到转置的结果
# unzipped = zip(*zipped)
# print(list(unzipped))  # 输出：[(1, 2, 3), (4, 5, 6)]

旋转

import cv2
import numpy as np
# 方法一
img = cv2.imread('../kele.png')
# 旋转 90 度，k=-1 表示顺时针旋转 90 度
rotated_image1 = np.rot90(img, k=-1)
# 旋转 90 度，k=1 表示逆时针旋转 90 度
rotated_image2 = np.rot90(img, k=1)cv2.imshow('yuantu', img)
cv2.imshow('rotated_image1', rotated_image1)
cv2.imshow('rotated_image2', rotated_image2)
cv2.waitKey(0)
cv2.destroyAllWindows()# 方法二
rotated_image = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)  # 顺时针90度
rotated_image1 = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE)  # 逆时针90度
rotated_image2 = cv2.rotate(img, cv2.ROTATE_180)  # 旋转180度
cv2.imshow('shun90', rotated_image)
cv2.imshow('ni90', rotated_image1)
cv2.imshow('180', rotated_image2)
cv2.waitKey(0)

效果

二·图像金字塔

图像金字塔是什么？

是由一幅图像的多个不同分辨率的子图构成的图像集合。是通过一个图像不断的降低采样率产生的，最小的图像可能仅仅有一个像素点。图像金字塔的底部是待处理的高分辨率图像（原始图像），而顶部则为其低分辨率的近似图像。

向下采样

向金字塔顶部移动时，图像的尺寸和分辨率都不断地降低。通常情况下，每向上移动一级，图像的宽和高都降低为原来的1/2。做法：

1、高斯滤波

2、删除其偶数行和偶数列

OpenCV函数cv2.pyrDown()

图像金字塔作用

· 特征点提取（SIFT、HOG、ORB等） · 模板匹配 · 光流跟踪

逻辑

1. 高斯金字塔的下采样（图像缩小）

face = cv2.imread('face.png', cv2.IMREAD_GRAYSCALE)  # 读取灰度图作为原始图像（G0）
face_down_1 = cv2.pyrDown(face)  # 对G0下采样得到G1
face_down_2 = cv2.pyrDown(face_down_1)  # 对G1下采样得到G2

下采样逻辑：
cv2.pyrDown() 是高斯金字塔的核心操作，步骤为：
1. 对原始图像进行高斯模糊（去除高频信息，避免下采样时的锯齿）；
2. 去掉图像中所有偶数行和偶数列，使图像尺寸变为原来的 1/2（宽和高各减半）。
效果：
每一次下采样，图像尺寸缩小一半（如 G0→G1→G2），但会丢失部分细节，图像逐渐模糊。

2. 高斯金字塔的上采样（图像放大）

face_up_1 = cv2.pyrUp(face)  # 对G0上采样得到G1'
face_up_2 = cv2.pyrUp(face_up_1)  # 对G1'上采样得到G2'

上采样逻辑：
cv2.pyrUp() 是下采样的逆操作，步骤为：
1. 在图像的偶数行和偶数列之间插入 0 值，使图像尺寸变为原来的 2 倍；
2. 用与下采样相同的高斯核进行卷积（平滑处理），填充插入的 0 值。
注意：
上采样只是单纯放大尺寸，无法恢复下采样时丢失的细节，因此放大后的图像会比原始图像模糊。

3. 下采样后再上采样的局限性

# 对下采样后的图像（G1、G2）进行上采样
face_down_1_up = cv2.pyrUp(face_down_1)  # G1上采样得到G1_up
face_down_2_up = cv2.pyrUp(face_down_2)  # G2上采样得到G2_up

问题：
下采样时丢失的高频信息（细节）无法通过上采样恢复，因此 face_down_1_up 虽然尺寸与原始图像 face 相近，但会更模糊，无法复原原始图像。

4. 拉普拉斯金字塔（图像细节保留与复原）

为了保留下采样丢失的细节，引入拉普拉斯金字塔：

# 计算拉普拉斯金字塔层（L0、L1）
L0 = face - face_down_1_up[:face.shape[0], :face.shape[1]]  # 原始图 - G1上采样（裁剪后）
L1 = face_down_1 - face_down_2_up[:face_down_1.shape[0], :face_down_1.shape[1]]  # G1 - G2上采样（裁剪后）

拉普拉斯逻辑：
拉普拉斯金字塔的每一层（Li）是通过 当前高斯层（Gi）减去上一层高斯层上采样后的结果（Gi+1_up） 得到的，它记录了下采样过程中丢失的细节（高频信息）。
- 裁剪操作（[:shape]）是为了处理上采样后尺寸可能与原始层不匹配的问题（确保像素尺寸一致）。

# 利用拉普拉斯金字塔复原图像
fuyuan = face_down_1_up[:face.shape[0], :face.shape[1]] + L0  # G1_up（裁剪） + L0 = 原始图

复原逻辑：
拉普拉斯层（L0）记录了 G0 到 G1 丢失的细节，因此将上采样后的 G1（G1_up）与 L0 相加，即可恢复原始图像 G0。这验证了拉普拉斯金字塔对细节的保留能力。

总结

代码的核心逻辑是：

高斯金字塔通过下采样缩小图像（丢失细节）和上采样放大图像（无法恢复细节）；
拉普拉斯金字塔通过记录下采样丢失的细节（高频信息），实现了基于高斯金字塔的图像复原。

这种金字塔结构常用于图像融合、多分辨率分析等场景，通过不同尺度的图像信息进行处理。

代码

import cv2  #opencv读取的格式是BGR
import matplotlib.pyplot as plt  #matplotlib读取的格式与opencv不同
import numpy as np              # pip install numpy==1.26.4 -i
'''----------------高斯金字塔操作中的向下采样------------------'''
#  下采样 是一种减小图像尺寸的方法，它通常涉及到降低图像的分辨率，即减少图像中像素的数量，从而使图像看起来更小。
#  上采样 是一种增大图像尺寸的方法，它通过插值和滤波技术来恢复图像的分辨率和细节，通常用于图像放大或者与下采样后的图像进行比较。
#  resize函数  是一种通用的图像尺寸调整方法，它可以按照指定的目标尺寸来缩放图像，不涉及金字塔结构或者特定的滤波操作。# dst = cv2.pyrDown(src [,dst, dstsize [, borderType] ])
# dst：目标图像
# src：原始图像
# dstsize：目标图像的大小face = cv2.imread('face.png',cv2.IMREAD_GRAYSCALE)#G0
cv2.imshow('face',face)
cv2.waitKey(0)
face_down_1 = cv2.pyrDown(face)#下采样G1
cv2.imshow('down_1',face_down_1)
cv2.waitKey(0)
face_down_2 = cv2.pyrDown(face_down_1)#G2
cv2.imshow('down_2',face_down_2)
cv2.waitKey(0)
#高斯金字塔操作中的向上采样
# dst = cv2.pyrUp(src [,dst, dstsize [, borderType] ])
# dst：目标图像
# src：原始图像
# dstsize：目标图像的大小
face_up_1 = cv2.pyrUp(face)
cv2.imshow('up_1',face_up_1)#G1’
cv2.waitKey(0)
face_up_2 = cv2.pyrUp(face_up_1)
cv2.imshow('up_2',face_up_2)#G2‘
cv2.waitKey(0)
# # #对下采用后图像进行上采样,图像变模糊，无法复原
face_down_1_up = cv2.pyrUp(face_down_1)#下采样G1
face_down_2_up = cv2.pyrUp(face_down_2)#下采样G2cv2.imshow('down_1_up',face_down_1_up)
cv2.imshow('down_2_up',face_down_2_up)
cv2.waitKey(0)# # # 拉普拉斯金字塔
L0 = face - face_down_1_up
L1 = face_down_1 - face_down_2_upfuyuan = face_down_1_up + L0
cv2.imshow('L0',L0)
cv2.imshow('L1',L1)
cv2.waitKey(0)
cv2.imshow('fuyuan',fuyuan)
cv2.waitKey(0)

下采样效果

上采样

向上采样

通常将图像的宽度和高度都变为原来的2倍。这意味着，向上采样的结果图像的大小是原始图像的4倍。因此，要在结果图像中补充大量的像素点。对新生成的像素点进行赋值的行为，称为插值。做法：

1、插值

2、高斯滤波

通过以上分析可知，向上采样和向下采样是相反的两种操作。但是，由于向下采样会丢失像素值，所以这两种操作并不是可逆的。也就是说，对一幅图像先向上采样、再向下采样，是无法恢复其原始状态的；同样，对一幅图像先向下采样、再向上采样也无法恢复到原始状态

拉普拉斯金字塔

为了在向上采样是能够恢复具有较高分辨率的原始图像，就要获取在采样过程中所丢失的信息，这些丢失的信息就构成了拉普拉斯金字塔。也是拉普拉斯金字塔是有向下采样时丢失的信息构成。

拉普拉斯金字塔的定义：

还是刚才的代码

# 拉普拉斯金字塔 - 修正形状不匹配问题
# 将上采样后的图像裁剪到与原始图像相同的尺寸
L0 = face - face_down_1_up[:face.shape[0], :face.shape[1]]
# 将上采样后的图像裁剪到与face_down_1相同的尺寸
L1 = face_down_1 - face_down_2_up[:face_down_1.shape[0], :face_down_1.shape[1]]fuyuan = face_down_1_up[:face.shape[0], :face.shape[1]] + L0  # 同样需要裁剪上采样图像
cv2.imshow('L0', L0)
cv2.imshow('L1', L1)
cv2.waitKey(0)
cv2.imshow('fuyuan', fuyuan)
cv2.waitKey(0)

图像直立方图

直方图：是图像中像素强度分布的图形表达方式。

直方图的作用：例如视频中。通过标记帧和帧之间显著的边缘和颜色的统计变化，来检测视频中场景的变换。

灰度值在0 - 255范围之间总共 256 个值，可以将我们的范围划分为子部分（称为bins），例如：

逻辑

1. 灰度图直方图（基础）

phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)  # 读取灰度图
a = phone.ravel()  # 将二维图像转为一维数组（每个元素是像素的灰度值）
plt.hist(a, bins=256)  # 用matplotlib绘制直方图
plt.show()

逻辑：先读取灰度图像，将其扁平化为一维数组（便于统计），然后用plt.hist统计每个灰度值（0-255）的像素数量，生成 256 个条柱的直方图，直观展示图像的明暗分布。

2. 用 OpenCV 计算直方图（灰度图）

python

运行

phone_hist = cv2.calcHist([phone], [0], None, [16], [0, 256])  # 计算直方图
plt.plot(phone_hist)  # 绘制曲线形式的直方图
plt.show()

cv2.calcHist参数解析：
- [phone]：输入图像（需用列表包裹）
- [0]：通道索引（灰度图只有 1 个通道，索引为 0）
- None：不使用掩膜（统计整幅图）
- [16]：将 0-255 分为 16 个区间（BINS=16）
- [0, 256]：像素值范围
逻辑：将灰度值范围压缩为 16 个区间，用曲线展示每个区间的像素数量分布，比 256 个条柱更简洁。

3. 彩色图的三通道直方图

img = cv2.imread('phone.png')  # 读取彩色图（BGR格式）
color = ('b', 'g', 'r')  # 对应BGR通道
for i, col in enumerate(color):histr = cv2.calcHist([img], [i], None, [256], [0, 256])  # 分别计算每个通道的直方图plt.plot(histr, color=col)  # 用对应颜色绘制曲线
plt.show()

逻辑：彩色图有 B、G、R 三个通道，循环计算每个通道的直方图（256 个区间），并以对应颜色绘制曲线，展示三通道的像素分布差异（例如红色通道亮部多说明图像偏红）。

4. 掩膜（mask）的应用

掩膜逻辑：
- 掩膜是一张与原图同尺寸的黑白图，白色区域（255）表示 “需要统计的区域”，黑色区域（0）表示 “忽略的区域”。
- 通过cv2.bitwise_and可直观看到掩膜截取的效果（只保留中间区域）。
- 计算直方图时传入 mask 参数，最终结果仅反映掩膜白色区域的像素分布，用于分析图像局部的明暗特征。

总结

代码从基础到进阶展示了直方图的用法：

全图灰度分布 → 2. 压缩区间的简洁展示 → 3. 彩色图的通道差异 → 4. 局部区域的精准分析（掩膜）。
直方图的核心作用是反映像素值的分布规律，可用于图像增强、阈值分割等后续处理的依据。

直立图代码

#$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
'''------------------直方图---------------------------------'''
# cv2.calcHist(images,channels,mask,histSize,ranges)  计算图像的直方图,用于表示图像中像素灰度级别的分布情况.
# 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: 表示传入的图像通道数。如果输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。统计整幅图像的直方图就把它为None。但是如果你想统计图像某一部分的直方图，你就制作一个掩模图像并使用它。
# histSize:BINS的数目。也需用中括号括来   （分成多少个区间）
#   BINS ：上面的直方图显示了每个像素值的像素数，即从0到255。即您需要256个值才能显示上述直方图。
#       但是请考虑一下，如果您不需要单独查找所有像素值的像素数，而是在像素值间隔内查找像素数，
#       该怎么办？例如，您需要找到介于 0 到 15 之间的像素数，然后是 16 到 31、32到47...、240 到 255。
#       您只需要 16 个值来表示直方图。
# 因此，只需将整个直方图拆分为 16 个子部分，每个子部分的值就是其中所有像素计数的总和。
# 这每个子部分都称为"BIN"。在第一种情况下，条柱数为256（每个像素一个），而在第二种情况下，它只有16。BINS 在 OpenCV 文档中由术语histSize表示。
# ranges: 像素值范围常为 [0 256]
phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
# 将图像转换为一维数组
a = phone.ravel()
# 这里使用了 numpy 的 ravel 函数，将多维数组拉成一维数组。
# 绘制直方图
plt.hist(a, bins=256)  # 使用 matplotlib 的 hist 函数绘制直方图。
# 参数解释：
# - a：一维数组，即图像的像素值组成的数组。
# - bins=256：指定直方图的条数，即灰度级的数量。
plt.show()
# # 显示直方图
phone_hist = cv2.calcHist([phone],[0],None,[16],[0,256])
plt.plot(phone_hist)#使用calcHist的值绘制曲线图
plt.show()img=cv2.imread('phone.png')
color=('b','g','r')
for i,col in enumerate(color):histr=cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color=col)
plt.show()# #
# # #什么是mask？掩膜，ps pr
# # #mask参数如何使用？ mask为掩模图像，先来看一下mask效果
phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('phone',phone)
cv2.waitKey(0)
mask = np.zeros(phone.shape[:2],np.uint8)   #创建黑白图像，用于制作mask
mask[50:350,100:470] = 255
cv2.imshow('mask',mask)
cv2.waitKey(0)
# #
# # cv2.bitwise_and()：对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0
# # bitwise_and(src1, src2, dst=None, mask=None)参数：
# # src1、src2：为输入图像或标量，标src1和src2相与。
# # dst：可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同
# # mask：图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为0的值，src1和src2相与的值都为0.
# #       非0的值，为src1和src2相与的值。
Phone_mask = cv2.bitwise_and(phone,phone,mask=mask)
cv2.imshow('phone_mask',Phone_mask)
cv2.waitKey(0)
# # # # #
phone_hist_mask = cv2.calcHist([phone],[0],mask,[256],[0,256])
plt.plot(phone_hist_mask)#使用calcHist的值绘制曲线图
plt.show()

当进行两个图像的按位与操作时，实际上是将这两个图像在同一位置上的像素值视为二进制数，然后进行按位与运算。在你的例子中，图像1某个区域的像素值为25，图像2同一区域的像素值为36，我们需要将这两个值转换为二进制形式，然后进行按位与运算。

具体步骤如下：

1. 转换为二进制： - 25的二进制表示为：00011001 - 36的二进制表示为：00100100

2. 按位与运算： - 对应位上的值如果都是1，则结果位上的值为1；否则为0。 - 对于25和36，按位与运算的结果为：00000000（每个位上至少有一个0）

3. 转换回十进制： - 按位与运算的结果00000000转换为十进制为：0 因此，图像1的像素值为25与图像2的像素值为36进行按位与操作的结果为0。