Python opencv图像处理基础总结(四) 模板匹配 图像二值化

cv2.matchTemplate(image, templ, method, result=None, mask=None) -> result

mage参数表示待检测源图像，必须是8位整数或32位浮点。
templ参数表示模板图像，必须不大于源图像并具有相同的数据类型。
method参数表示计算匹配程度的方法。
result参数表示匹配结果图像，必须是单通道32位浮点。如果image的尺寸为W x H，templ的尺寸为w x h，则result的尺寸为(W-w+1)x(H-h+1)。

minMaxLoc(src, mask=None) -> minVal, maxVal, minLoc, maxLoc

src参数表示输入单通道图像
mask参数表示用于选择子数组的可选掩码
minVal参数表示返回的最小值，如果不需要，则使用NULL。
maxVal参数表示返回的最大值，如果不需要，则使用NULL。
minLoc参数表示返回的最小位置的指针（在2D情况下）； 如果不需要，则使用NULL。
maxLoc参数表示返回的最大位置的指针（在2D情况下）； 如果不需要，则使用NULL。

 cv2.rectangle(img, pt1, pt2, color, thickness=None, lineType=None, shift=None) -> img
 
img参数表示源图像
pt1参数表示矩形的一个顶点(左上)
pt2参数表示与pt1相对的对角线上的另一个顶点(右下)
color参数表示矩形线条颜色 (RGB) 或亮度（灰度图像)
thickness参数表示组成矩形的线条的粗细程度，取负值时（如 CV_FILLED）函数绘制填充了色彩的矩形。
lineType参数表示线条的类型
shift参数表示坐标点的小数点位数

import cv2 as cv
import numpy as np


def template_matching():
    sample = cv.imread(r'./test/031.png')    # 模板图像
    target = cv.imread(r'./test/030.jpg')    # 待检测图像
    cv.imshow('sample', sample)
    cv.imshow('target', target)
    # 三种模板匹配算法
    methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED]
    height, width = sample.shape[:2]   # 模板图像的高 宽
    for method in methods:
        print(method)
        result = cv.matchTemplate(image=target, templ=sample, method=method)  # 计算那个区域匹配最好
        # 在匹配的结果中寻找   最小值  最大值及最小、最大值的位置
        min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
        if method == cv.TM_SQDIFF_NORMED:   # 如果是标准平方差匹配  取最小值位置
            left_top = min_loc
        else:
            left_top = max_loc
        right_bottom = (left_top[0] + width, left_top[1] + height)  # 加上宽  高
        # 匹配到最佳位置    画小矩形
        cv.rectangle(img=target, pt1=left_top, pt2=right_bottom, color=(0, 0, 255), thickness=2)
        cv.imshow('match-' + np.str(method), target)

template_matching()
cv.waitKey(0)
cv.destroyAllWindows()

import cv2 as cv
import numpy as np


# 全局
def threshold_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(src=gray, thresh=0, maxval=255, type=cv.THRESH_BINARY | cv.THRESH_OTSU)
    # ret, binary = cv.threshold(src=gray, thresh=0, maxval=255, type=cv.THRESH_BINARY | cv.THRESH_TRIANGLE)
    # ret, binary = cv.threshold(src=gray, thresh=115, maxval=255, type=cv.THRESH_BINARY)
    # ret, binary = cv.threshold(src=gray, thresh=127, maxval=255, type=cv.THRESH_BINARY_INV)  # 相反
    # ret, binary = cv.threshold(src=gray, thresh=127, maxval=255, type=cv.THRESH_TRUNC)
    # ret, binary = cv.threshold(src=gray, thresh=130, maxval=255, type=cv.THRESH_TOZERO)
    print(f'threshold value：{ret}')    # 阈值    看图像信息丢失情况
    cv.imshow('threshold binary image', binary)


# 局部  自适应阈值
def local_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    # dst = cv.adaptiveThreshold(src=gray, maxValue=255, adaptiveMethod=cv.ADAPTIVE_THRESH_MEAN_C,
    #                      thresholdType=cv.THRESH_BINARY, blockSize=25, C=10)     # blockSize必须是奇数  C 常量
    dst = cv.adaptiveThreshold(src=gray, maxValue=255, adaptiveMethod=cv.ADAPTIVE_THRESH_GAUSSIAN_C,
                               thresholdType=cv.THRESH_BINARY, blockSize=25, C=10)  # blockSize必须是奇数  C 常量

    cv.imshow('local binary image', dst)

# 自定义   均值作为阈值
def custom_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    h, w = gray.shape[:2]
    m = np.reshape(gray, [1, h * w])
    mean = m.sum() / (w * h)
    print(f'mean：{mean}')
    ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)
    cv.imshow('custom binary image', binary)



src = cv.imread(r'./test/014.png')
cv.imshow('input image', src)
threshold_image(src)
local_image(src)
custom_image(src)
cv.waitKey(0)
cv.destroyAllWindows()

cv2.threshold(src, thresh, maxval, type, dst=None)

src - 输入图像（多通道，8位或32位浮点）
thresh - 阈值
maxval - 最大值
type - 阈值类型
dst - 输出图像（与src相同大小和类型以及相同通道数的数组/图像）

import cv2 as cv


# 全局
def threshold_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(src=gray, thresh=0, maxval=255, type=cv.THRESH_BINARY | cv.THRESH_OTSU)
    print(f'threshold value：{ret}')    # 阈值    看图像信息丢失情况
    cv.imshow('threshold binary image', binary)


# 局部  自适应阈值
def local_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

    dst = cv.adaptiveThreshold(src=gray, maxValue=255, adaptiveMethod=cv.ADAPTIVE_THRESH_GAUSSIAN_C,
                               thresholdType=cv.THRESH_BINARY, blockSize=25, C=10)  # blockSize必须是奇数  C 常量

    cv.imshow('local binary image', dst)


src = cv.imread(r'./test/014.png')
cv.imshow('input image', src)
threshold_image(src)
local_image(src)
cv.waitKey(0)
cv.destroyAllWindows()

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None): 

src - 输入图像（8位单通道图像）
maxValue - THRESH_BINARY 和 THRESH_BINARY_INV 的最大值
adaptiveMethod - 自适应阈值算法，平均 （ADAPTIVE_THRESH_MEAN_C）或高斯（ADAPTIVE_THRESH_GAUSSIAN_C）
thresholdType - 阈值类型，必须为THRESH_BINARY或THRESH_BINARY_INV的阈值类型
blockSize - 块大小（奇数且大于1）
C - 常量，从平均值或加权平均值中减去的数

import cv2 as cv
import numpy as np


# 全局
def threshold_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(src=gray, thresh=0, maxval=255, type=cv.THRESH_BINARY | cv.THRESH_OTSU)
    print(f'threshold value：{ret}')    # 阈值    看图像信息丢失情况
    cv.imshow('threshold binary image', binary)


# 局部  自适应阈值
def local_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    dst = cv.adaptiveThreshold(src=gray, maxValue=255, adaptiveMethod=cv.ADAPTIVE_THRESH_GAUSSIAN_C,
                               thresholdType=cv.THRESH_BINARY, blockSize=25, C=10)  # blockSize必须是奇数  C 常量

    cv.imshow('local binary image', dst)


src = cv.imread(r'./test/032.png')
cv.imshow('input image', src)
threshold_image(src)
local_image(src)
cv.waitKey(0)
cv.destroyAllWindows()