(六)OpenCV图像处理_轮廓以及直方图

轮廓可以是简单连续的点连在一起的曲线，具有相同的颜色或灰度。轮廓在形状分析和物体的检测和识别中很有用。

1 轮廓

1.1 初识轮廓

为了更加准确，要使用二值化图像。在寻找图像之前，要进行阀值化处理或Canny边界检测。
查找轮廓的函数会修改原始图像，如果在找到轮廓之后还想使用原始图像的话，应该将原始图像存储到其它变量之中。
在OpenCV中，查找轮廓就像在黑白背景中找白色物体。

#在二值图像中查找轮廓，参数:输入图像、轮廓检索模式、轮廓近似方法，返回值：图像、轮廓、层析结构
img = cv2.imread('test.jpg');
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY);
ret,thresh = cv2.threshold(imgray,127,255,0)
image,contours,hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE);

#参数：原始图像、轮廓、轮廓的索引
img = cv2.drawContour(img, contours, -1, (0,255,0), 3)

1.2 轮廓的特征

#图像的矩(根据图像的矩可近一步计算出图像的重心)
M = cv2.moments(contours[0]);
#轮廓的面积
area = cv2.contourArea(contours[0]);
#轮廓的周长
perimeter = cv2.arcLength(contours[0]);
#凸性检测
flag = cv2.isContourConvex(contours[0]);
#边界矩形(直角边界矩形)
x,y,w,h = cv2.boundingRect(contours[0]);
img = cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2);
#边界矩形(旋转的边界矩形)略
#最小外接圆
(x,y),radius = cv2.minEnclosingCircle(contours[0]);
center = (int(x), int(y));
radius = int(radius);
img = cv2.circle(img, center, radius, (0,255,0), 2);
#椭圆拟合
ellipse = cv2.fitEllipse(contours[0]);
img = cv2.ellipse(img, ellipse, (0,255,0), 2);

2.直方图

直方图是整幅图像的灰度分布，x轴表示灰度值，y轴表示图片中具有同一个灰度值点的数目。

2.1 一维直方图

统计直方图

img = cv2.imread('home.jpg',0)
# 别忘了中括号 [img],[0],None,[256],[0,256] ，只有 mask 没有中括号
# 参数:原图像、图像通道、掩模、直方图x轴分组后每组大小、像素值的范围
hist = cv2.calcHist([img],[0],None,[256],[0,256])

画出彩色图的一维直方图

#画出彩色BGR的直方图
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image01.jpg')
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.xlim([0,256])
plt.show()

画出灰度图的一维直方图

#画出灰度值的直方图
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image01.jpg', cv2.IMREAD_COLOR)
plt.hist(img.ravel(),256,[0,256]);
plt.show()

使用掩模
要统计图像某个局部区域的直方图只需要构建一副掩模图像。将要统计的部分设置成白色，其余部分为黑色，就构成了一副掩模图像。然后把这个掩模图像传给函数就可以了。

直方图均衡化
常用来作为图像增强。

img = cv2.imread('image01.jpg', 0);
# openCV中的直方图均衡化函数，返回均衡化后图像
equ = cv2.equalizeHist(img);
# 横向拼接
res = np.hstack((img, equ));
cv2.imwrite('res.jpg', res);

CLAHE直方图均衡化

import numpy as np
import cv2
img = cv2.imread('tsukuba_l.png',0)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv2.imwrite('clahe_2.jpg',cl1)

2.2 2D直方图

上面所介绍的是一维直方图，多用来处理灰度图。对于彩色图像，通常情况下我们需要考虑每个的颜色(Hue)和饱和度(Saturation)。根据这两个特征绘制2D直方图。

统计2D直方图
使用cv2.calcHist()之前，要先将图像的颜色空间从BGR转换到HSV。

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image01.jpg', cv2.IMREAD_COLOR)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
#参数：原始图像，通道(这里0,1分别表示颜色H和饱和度S)，掩模，histSize，ranges(H和S的range)
hist = cv2.calcHist(images=hsv, channels=[0,1], mask=None, histSize=[180,256], ranges=[0,180, 0,256])

绘制2D直方图

1 2	plt.imshow(hist, interpolation = 'nearest') plt.show();

2.3 直方图反向投影

直方图反向投影可以用来做图像分割，或者在图像中找寻感兴趣的部分。它会输出与输入图像同样大小的图像，其中的每一个像素值代表了输入图像对应点属于目标图像的概率。更简单来说，输出图像中像素值越高的点就越可能代表要搜索的目标（在输入图像所在位置）。直方图投影经常与camshift算法等一起使用。

import cv2
import numpy as np
roi = cv2.imread('tar.jpg')
hsv = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV)
target = cv2.imread('roi.jpg')
hsvt = cv2.cvtColor(target,cv2.COLOR_BGR2HSV)
# calculating object histogram
roihist = cv2.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] )
# normalize histogram and apply backprojection
# 归一化：原始图像，结果图像，映射到结果图像中的最小值，最大值，归一化类型
#cv2.NORM_MINMAX 对数组的所有值进行转化，使它们线性映射到最小值和最大值之间
# 归一化之后的直方图便于显示，归一化之后就成了 0 到 255 之间的数了。
cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX)
dst = cv2.calcBackProject([hsvt],[0,1],roihist,[0,180,0,256],1)
# Now convolute with circular disc
# 此处卷积可以把分散的点连在一起
disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
dst=cv2.filter2D(dst,-1,disc)
# threshold and binary AND
ret,thresh = cv2.threshold(dst,50,255,0)
# 别忘了是三通道图像，因此这里使用 merge 变成 3 通道
thresh = cv2.merge((thresh,thresh,thresh))
# 按位操作
res = cv2.bitwise_and(target,thresh)
res = np.hstack((target,thresh,res))
cv2.imwrite('res.jpg',res)
# 显示图像
cv2.imshow('1',res)
cv2.waitKey(0)