OpenCV（05）直方圖均衡化，模板匹配，霍夫變換，圖像亮度變換，形態學變換

【OpenCV（01）】基本圖像操作、繪制，讀取視頻

【OpenCV（02）】圖像顏色處理，灰度化，二值化，仿射變換

【OpenCV（03）】插值方法，邊緣填充，透視變換，水印制作，噪點消除

【OpenCV（04）】梯度處理，邊緣檢測，繪制輪廓，凸包特征檢測，輪廓特征查找

直方圖
什么是直方圖
繪制直方圖
直方圖均衡化
- 自適應均衡化
- 對比度受限的自適應均衡化
模板匹配
- 匹配方法
- - 平方差匹配
  - 歸一化平方差匹配
  - 相關匹配
  - 歸一化相關匹配
  - 相關系數匹配
  - 歸一化相關系數匹配
- 繪制輪廓
霍夫變換
- 標準霍夫變換
- 統計概率霍夫直線變換
- 霍夫圓變換
圖像亮度變換
- 亮度變換
- 線性變換
- 直接像素值修改
形態學變換

直方圖

什么是直方圖

直方圖：反映圖像像素分布的統計圖，橫坐標就是圖像像素的取值，縱坐標是該像素的個數。也就是對一張圖像中不同像素值的像素個數的統計。
增加對比度：黑的更黑，白的更白。

繪制直方圖

繪制直方圖：hist=cv2.calcHist(images, channels, mask, histSize, ranges)

images：輸入圖像列表，可以是一幅或多幅圖像（通常是灰度圖像或者彩色圖像的各個通道）。
channels：一個包含整數的列表，指示在每個圖像上計算直方圖的通道編號。如果輸入圖像是灰度圖，它的值就是 [0]；如果是彩色圖像的話，傳入的參數可以是 [0]，[1]，[2] 它們分別對應著通道 B，G，R。
mask（可選）：一個與輸入圖像尺寸相同的二值掩模圖像，其中非零元素標記了參與直方圖計算的區域,None為全部計算。
histSize：一個整數列表，也就是直方圖的區間個數(BIN 的數目)。用中括號括起來，例如：[256]。
ranges：每維數據的取值范圍，它是一個二維列表，每一維對應一個通道的最小值和最大值，例如對灰度圖像可能是 [0, 256]。

返回值hist 是一個長度為255的數組，數組中的每個值表示圖像中對應灰度等級的像素計數

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)
獲取直方圖的最小值、最大值及其對應最小值的位置索引、最大值的位置索引
cv2.line(img, pt1, pt2, color, thickness)

img：原始圖像，即要在上面畫線的numpy數組（一般為uint8類型）。
pt1 和 pt2：分別為線段的起點和終點坐標，它們都是元組類型，例如 (x1, y1) 和 (x2, y2) 分別代表線段兩端的橫縱坐標。
color：線段的顏色，通常是一個包含三個元素的元組 (B, G, R) 表示BGR色彩空間的像素值，也可以是灰度圖像的一個整數值。
thickness：線段的寬度，默認值是1，如果設置為負數，則線寬會被填充。

import cv2 as cv
import numpy as np#讀圖
bg = cv.imread('E:\hqyj\code\opencv\images\\bg.png')
#創建黑圖，繪制直方圖
black = np.zeros((256,256,3),np.uint8)#統計像素
hist = cv.calcHist([bg],[0],None,[256],[0,256])
print(hist)#獲取直方圖的最小值、最大值及其對應的最小值的位置索引、最大值的位置索引
minval,maxval,minloc,maxloc = cv.minMaxLoc(hist)#由于直方圖只有一列，列索引始終為 0，行索引則對應于具體的灰度值
#最小值 461.0 出現在位置 (0, 249)，即灰度值為 249 的像素頻率為 0。
#最大值 32380.0 出現在位置 (0, 5)，即灰度值為 5 的像素頻率為 5000
print(minval,maxval,minloc,maxloc)#定義直方圖的高
h_hist = np.int32(256)#循環遍歷每一個灰度值 
for i in range(256):#當前像素的個數占直方圖的高，歸一化處理l = int(hist[i].item()*h_hist/maxval)point1 = (i,256-l)point2 = (i,256)cv.line(black,point1,point2,(255,255,0),1)cv.imshow('dst',black)
cv.waitKey(0)
cv.destroyAllWindows()

直方圖均衡化

遍歷圖像的像素統計出灰度值的個數、比例與累計比例，并重新映射到0-255范圍（也可以是其他范圍）內，其實從觀感上就可以發現，下面兩幅圖中前面那幅圖對比度不高，偏灰白。
直方圖均衡化作用：

增強對比度
提高圖像質量

在這里插入圖片描述

自適應均衡化

自適應直方圖均衡化（Adaptive Histogram Equalization, AHE），通過調整圖像像素值的分布，使得圖像的對比度和亮度得到改善。

具體過程如下所示：
在這里插入圖片描述
設有一個3*3的圖像，其灰度圖的像素值如上圖所示，現在我們要對其進行直方圖均衡化，首先就是統計其每個像素值的個數、比例以及其累計比例。如下圖所示。

接下來我們就要進行計算，就是將要縮放的范圍（通常是縮放到0-255，所以就是255-0）乘以累計比例，得到新的像素值，并將新的像素值放到對應的位置上，比如像素值為50的像素點，將其累計比例乘以255，也就是0.33乘以255得到84.15，取整后得到84，并將84放在原圖像中像素值為50的地方，像素值為100、210、255的計算過程類似，最終會得到如下圖所示的結果，這樣就完成了最基本的直方圖均衡化的過程。
在這里插入圖片描述

dst = cv.equalizeHist(imgGray)

imgGray為需要直方圖均衡化的灰度圖，返回值為處理后的圖像

import cv2 as cv#讀圖
img = cv.imread('E:\hqyj\code\opencv\images\\zhifang.png',cv.IMREAD_GRAYSCALE)
#直方圖均衡化
dst = cv.equalizeHist(img)
cv.imshow('img',img)
cv.imshow('dst',dst)
cv.waitKey(0)
cv.destroyAllWindows()

對比度受限的自適應均衡化

因為全局調整亮度和對比度的原因，臉部太亮，大部分細節都丟失了。自適應均衡化就是用來解決這一問題的：它在每一個小區域內（默認8×8）進行直方圖均衡化。當然，如果有噪點的話，噪點會被放大，需要對小區域內的對比度進行了限制，所以這個算法全稱叫：對比度受限的自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE)。
在這里插入圖片描述
clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)

clipLimit（可選）：對比度限制參數，用于控制直方圖均衡化過程中對比度增強的程度。如果設置一個大于1的值（如2.0或4.0），CLAHE會限制對比度增強的最大程度，避免過度放大噪聲。如果不設置，OpenCV會使用一個默認值。
tileGridSize（可選）：圖像分塊的大小，通常是一個包含兩個整數的元組，如(8, 8)，表示將圖像劃分成8x8的小塊進行獨立的直方圖均衡化處理。分塊大小的選擇會影響到CLAHE的效果以及處理速度。

創建CLAHE對象后，可以使用 .apply() 方法對圖像進行CLAHE處理：

img=clahe.apply(image)

image:要均衡化的圖像。
img均衡后的圖像

import cv2 as cvimg = cv.imread('E:\hqyj\code\opencv\images\\zhifang.png',cv.IMREAD_GRAYSCALE)
#創建clahe對象
clahe = cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
#使用clach調用apply（）方法
cl1 = clahe.apply(img)
cv.imshow('old',img)
cv.imshow('dst',cl1)
cv.waitKey(0)
cv.destroyAllWindows()

模板匹配

不會有邊緣填充。
類似于卷積，滑動比較，挨個比較象素。
返回結果大小是：目標圖大小-模板圖大小-1。

import cv2 as cv
import numpy as np#讀圖
img = cv.imread('E:\hqyj\code\opencv\images\\game.png')
gray_img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#print(gray_img.shape)		# (266, 283)temp = cv.imread('E:\hqyj\code\opencv\images\\temp.png')
gray_temp = cv.cvtColor(temp,cv.COLOR_BGR2GRAY)
#print(gray_temp.shape)			# (24, 18)
h,w = temp.shape[:2]#模板匹配 拿到匹配結果矩陣
res = cv.matchTemplate(gray_img,gray_temp,cv.TM_CCOEFF_NORMED)
#print(res.shape)			# (243, 266)#設置閾值
thresh = 0.8
#獲取匹配上的結果的索引
loc = np.where(res >= thresh)
#print(loc)		# (array([ 63,......,143]), array([ 87,......,173]))#解包，拿到成對的x y索引
#print(zip(*loc))		# <zip object at 0x000001C601C79BC0>
for i in zip(*loc):#print(i)		#x,y = i[1],i[0]#print(x,y)cv.rectangle(img, (x,y), (x+w,y+h), (0,255,255), 2)cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

temp（模板圖）:
temp
game（原圖）：
在這里插入圖片描述
在game圖中用temp圖作為模板圖匹配得到目標圖：

匹配方法

res=cv2.matchTemplate(image, templ, method)

image：原圖像，這是一個灰度圖像或彩色圖像（在這種情況下，匹配將在每個通道上獨立進行）。
templ：模板圖像，也是灰度圖像或與原圖像相同通道數的彩色圖像。
method：匹配方法，可以是以下之一：
- cv2.TM_CCOEFF（平方差匹配）
- cv2.TM_CCOEFF_NORMED（歸一化平方差匹配）
- cv2.TM_CCORR（相關匹配）
- cv2.TM_CCORR_NORMED（歸一化相關匹配）
- cv2.TM_SQDIFF（相關系數匹配）
- cv2.TM_SQDIFF_NORMED（cv2.TM_CCOEFF_NORMED）
- 這些方法決定了如何度量模板圖像與原圖像子窗口之間的相似度。
返回值res

函數在完成圖像模板匹配后返回一個結果矩陣，這個矩陣的大小與原圖像不相同。矩陣的每個元素表示原圖像中相應位置與模板圖像匹配的相似度。

匹配方法不同，返回矩陣的值的含義也會有所區別。以下是幾種常用的匹配方法及其返回值含義：
1. cv2.TM_SQDIFF 或 cv2.TM_SQDIFF_NORMED：
  
  返回值越接近0，表示匹配程度越好。最小值對應的最佳匹配位置。
2. cv2.TM_CCORR 或 cv2.TM_CCORR_NORMED：
  
  返回值越大，表示匹配程度越好。最大值對應的最佳匹配位置。
3. cv2.TM_CCOEFF 或 cv2.TM_CCOEFF_NORMED：
  
  返回值越大，表示匹配程度越好。最大值對應的最佳匹配位置。

平方差匹配

cv2.TM_SQDIFF

以模板圖與目標圖所對應的像素值使用平方差公式來計算，其結果越小，代表匹配程度越高，計算過程舉例如下。

注意：模板匹配過程皆不需要邊緣填充，直接從目標圖像的左上角開始計算。
在這里插入圖片描述

歸一化平方差匹配

cv2.TM_SQDIFF_NORMED

與平方差匹配類似，只不過需要將值統一到0到1，計算結果越小，代表匹配程度越高，計算過程舉例如下。
在這里插入圖片描述

歸一化相關匹配

cv2.TM_CCORR_NORMED

與相關匹配類似，只不過是將其值統一到0到1之間，值越大，代表匹配程度越高，計算過程舉例如下。
在這里插入圖片描述

歸一化相關系數匹配

cv2.TM_CCOEFF_NORMED

也是將相關系數匹配的結果統一到0到1之間，值越接近1代表匹配程度越高，計算過程舉例如下。
在這里插入圖片描述

繪制輪廓

找的目標圖像中匹配程度最高的點，我們可以設定一個匹配閾值來篩選出多個匹配程度高的區域。

loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的數組

np.where(condition) 是 NumPy 的一個函數，當條件為真時，返回滿足條件的元素的索引。

*zip(loc)
- *loc 是解包操作，將 loc 中的多個數組拆開，作為單獨的參數傳遞給 zip。
- zip 將這些數組按元素一一配對，生成一個迭代器，每個元素是一個元組，表示一個坐標點。

x=list([[1,2,3,4,3],[23,4,2,4,2]])
print(list(zip(*x)))			#[(1, 23), (2, 4), (3, 2), (4, 4), (3, 2)]

霍夫變換

原圖：（后面代碼都是基于此圖執行的）
在這里插入圖片描述

標準霍夫變換

lines=cv2.HoughLines(image, rho, theta, threshold)

image：輸入圖像，通常為二值圖像，其中白點表示邊緣點，黑點為背景。
rho：r的精度，以像素為單位，表示霍夫空間中每一步的距離增量, 值越大，考慮越多的線。
theta：角度θ的精度，通常以弧度為單位，表示霍夫空間中每一步的角度增量。值越小，考慮越多的線。
threshold：累加數閾值，只有累積投票數超過這個閾值的候選直線才會被返回。

返回值：cv2.HoughLines 函數返回一個二維數組，每一行代表一條直線在霍夫空間中的參數 (rho, theta)。

import cv2 as cv
import numpy as np#讀圖
img=cv.imread('E:\hqyj\code\opencv\images\\huofu.png')#灰度化
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)#二值化
_,binary = cv.threshold(gray,127,255,cv.THRESH_BINARY)#邊緣檢測
edges = cv.Canny(binary,30,70)#霍夫變換 返回的是[r,theta]
lines = cv.HoughLines(edges,0.8,np.pi/180,90)
print(lines)		#[[[25.6        1.5707964]]# [[21.6        1.5707964]]        # [[42.4        2.146755 ]]        # [[46.4        2.146755 ]]]for line in lines:r,theta = line[0]sin_theta = np.sin(theta)cos_theta = np.cos(theta)x1,x2 = 0,img.shape[1]y1 = int([r-x1*cos_theta]/sin_theta)y2 = int([r-x2*cos_theta]/sin_theta)cv.line(img,(x1,y1),(x2,y2),(0,0,255),1)cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

在這里插入圖片描述

統計概率霍夫直線變換

lines=cv2.HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=0, maxLineGap=0)

image：輸入圖像，通常為二值圖像，其中白點表示邊緣點，黑點為背景。
rho：極徑分辨率，以像素為單位，表示極坐標系中的距離分辨率。
theta：極角分辨率，以弧度為單位，表示極坐標系中角度的分辨率。
threshold：閾值，用于過濾掉弱檢測結果，只有累計投票數超過這個閾值的直線才會被返回。
lines（可選）：一個可初始化的輸出數組，用于存儲檢測到的直線參數。
minLineLength（可選）：最短長度閾值，比這個長度短的線會被排除。
maxLineGap（可選）：同一直線兩點之間的最大距離。當霍夫變換檢測到一系列接近直角的線段時，這些線段可能是同一直線的不同部分。maxLineGap參數指定了在考慮這些線段屬于同一直線時，它們之間最大可接受的像素間隔。

返回值lines：cv2.HoughLinesP 函數返回一個二維數組，每個元素是一個包含4個元素的數組，分別表示每條直線的起始點和結束點在圖像中的坐標（x1, y1, x2, y2）。

import cv2 as cv
import numpy as np#讀圖
img=cv.imread('E:\hqyj\code\opencv\images\\huofu.png')#灰度化
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)#二值化
_,binary = cv.threshold(gray,127,255,cv.THRESH_BINARY)#邊緣檢測
edges = cv.Canny(binary,30,70)
lines = cv.HoughLinesP(edges,0.8,np.pi/180,90,minLineLength=50,maxLineGap=20)
print(lines)for line in lines:x1,y1,x2,y2 = line[0]cv.line(img,(x1,y1),(x2,y2),(0,0,255),2)cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

在這里插入圖片描述

霍夫圓變換

circles=cv2.HoughCircles(image, method, dp, minDist, param1, param2)

image：輸入圖像，通常是灰度圖像。
method：使用的霍夫變換方法:霍夫梯度法，可以是 cv2.HOUGH_GRADIENT，這是唯一在OpenCV中用于圓檢測的方法。
dp：累加器分辨率與輸入圖像分辨率之間的降采樣比率，用于加速運算但不影響準確性。設置為1表示霍夫梯度法中累加器圖像的分辨率與原圖一致
minDist：檢測到的圓心之間的最小允許距離，以像素為單位。在霍夫變換檢測圓的過程中，可能會檢測到許多潛在的圓心。minDist 參數就是為了過濾掉過于接近的圓檢測結果，避免檢測結果過于密集。當你設置一個較小的 minDist 值時，算法會嘗試找出盡可能多的圓，即使是彼此靠得很近的圓也可能都被檢測出來。相反，當你設置一個較大的 minDist 值時，算法會傾向于只檢測那些彼此間存在一定距離的獨立的圓。
param1 和 param2：這兩個參數是在使用 cv2.HOUGH_GRADIENT 方法時的特定參數，分別為：
- param1(可選)：閾值1，決定邊緣強度的閾值。
- param2：閾值2，控制圓心識別的精確度。較大的該值會使得檢測更嚴格的圓。param2 通常被稱為圓心累積概率的閾值。在使用霍夫梯度方法時，param2 設置的是累加器閾值，它決定了哪些候選圓點集合被認為是有效的圓。較高的 param2 值意味著對圓的檢測更嚴格，只有在累加器中積累了足夠高的響應值才認為是真實的圓；較低的 param2 值則會降低檢測的門檻，可能會檢測到更多潛在的圓，但也可能包含更多的誤檢結果。

返回值：cv2.HoughCircles 返回一個二維numpy數組，包含了所有滿足條件的圓的參數。

import cv2 as cv
import numpy as np#讀圖
img=cv.imread('E:\hqyj\code\opencv\images\\huofu.png')#灰度化
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)#二值化
_,binary = cv.threshold(gray,127,255,cv.THRESH_BINARY)#邊緣檢測
edges = cv.Canny(binary,30,70)#霍夫圓變換
circles = cv.HoughCircles(edges,cv.HOUGH_GRADIENT,1,20,param1=20,param2=20,minRadius=0,maxRadius=0)
print(circles)for circle in circles:# 獲取圓心和半徑x,y,r = circle[0]print(x,y,r)x,y,r = np.int_(np.round(x)),np.int_(np.round(y)),np.int_(np.round(r))print(x,y,r)cv.circle(img,(x,y),r,(0,255,255),2)cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

在這里插入圖片描述

圖像亮度變換

亮度變換

對比度調整：圖像暗處像素強度變低，圖像亮處像素強度變高，從而拉大中間某個區域范圍的顯示精度。

亮度調整：圖像像素強度整體變高或者變低。
在這里插入圖片描述
上圖中，（a）把亮度調高，就是圖片中的所有像素值加上了一個固定值；（b）把亮度調低，就是圖片中的所有像素值減去了一個固定值；（c）增大像素對比度（白的地方更白，黑的地方更黑）；（d）減小像素對比度（整幅圖都趨于一個顏色）；

OpenCV調整圖像對比度和亮度時，公式為： $g(i,j)=αf(i,j)+βg(i,j)=\alpha f(i,j)+\beta$ 。但是不能淺顯的講 $α\alpha$ 是控制對比度， $β\beta$ 是控制亮度的。

對比度：需要通過 $α、β\alpha、\beta$ 一起控制。

亮度：通過 $β\beta$ 控制。

線性變換

使用 cv2.addWeighted() 函數，可以對圖像的像素值進行加權平均，進而改變圖像的整體亮度。亮度增益可以通過向每個像素值添加一個正值來實現。

cv2.addWeighted(src1, alpha, src2, beta, gamma)

src1：第一張輸入圖像，它將被賦予權重 alpha。
alpha：第一個輸入圖像的權重。
src2：第二張輸入圖像，它將被賦予權重 beta。
beta：第二個輸入圖像的權重。
gamma：一個標量，將被添加到權重求和的結果上，可用于調整總體亮度。

計算公式為: dst = src1 * alpha + src2 * beta + gamma

import cv2 as cv#讀圖
cat = cv.imread('E:\hqyj\code\opencv\images\\cat1.png')#線性變換
dst = cv.addWeighted(cat,0.8,cat,0,100)
cv.imshow('dst',dst)
cv.imshow('cat',cat)cv.waitKey(0)
cv.destroyAllWindows()

直接像素值修改

如果只需要增加或減少固定的亮度值，可以直接遍歷圖像像素并對每個像素值進行加減操作。

使用的API:

numpy.clip(a, a_min, a_max)

用于對數組中的元素進行限定，將超出指定范圍的元素值截斷至指定的最小值和最大值之間

a：輸入數組。
a_min：指定的最小值，數組中所有小于 a_min 的元素將被替換為 a_min。
a_max：指定的最大值，數組中所有大于 a_max 的元素將被替換為 a_max。

  #讀圖
cat = cv.imread('E:\hqyj\code\opencv\images\\cat1.png')#創建窗口 用于顯示滑條
window_name = 'slide'
cv.namedWindow(window_name)
img = cv.imread('E:\hqyj\code\opencv\images\\cat1.png')def chage(p):x = p/256*511-255dst=np.uint8(np.clip(img+x,0,255))cv.imshow(window_name,dst)print(x)#創建滑動條
initial_value = 127
chage(initial_value)
cv.createTrackbar('add_p',window_name,initial_value,255,chage)cv.waitKey(0)
cv.destroyAllWindows()

形態學變換

import cv2 as cv
import numpy as np#讀圖
car = cv.imread('E:\hqyj\code\opencv\images\\circle.png')#二值化
_,car = cv.threshold(car,127,255,cv.THRESH_BINARY_INV)
cv.imshow('car',car)#定義核 n*n的一個小區域
kernel = np.ones((5,5),np.uint8)#腐蝕 用全1核覆蓋，碰到前景時核中有背景值，就變為背景（縮小前景）
erosion = cv.erode(car,kernel,iterations = 1)
cv.imshow('erosion',erosion)#膨脹 用全1核覆蓋，碰到背景時核中有前景值，就變為前景（擴大前景）
dilation = cv.dilate(car,kernel,iterations = 1)
cv.imshow('dilation',dilation)#開運算	先腐蝕后膨脹
#作用：分離物體，消除小區域。特點：消除噪點，去除小的干擾塊，而不影響原來的圖像
opening = cv.morphologyEx(car,cv.MORPH_OPEN,kernel)
cv.imshow('opening',opening)#閉運算	先膨脹后腐蝕
#作用：是消除/“閉合”物體里面的孔洞。特點：可以填充閉合區域
closing = cv.morphologyEx(car,cv.MORPH_CLOSE,kernel)
cv.imshow('closing',closing)#禮帽運算 原圖和開運算的差
tophat = cv.morphologyEx(car,cv.MORPH_TOPHAT,kernel)
cv.imshow('tophat',tophat)#黑帽運算 原圖和閉運算的差
blackhat = cv.morphologyEx(car,cv.MORPH_BLACKHAT,kernel)
cv.imshow('blackhat',blackhat)#形態學梯度 膨脹和腐蝕的差
gradient = cv.morphologyEx(car,cv.MORPH_GRADIENT,kernel)
cv.imshow('gradient',gradient)cv.imshow('closing',closing)
cv.waitKey(0)
cv.destroyAllWindows()