图像金字塔

高斯金字塔

向下采样法从金字塔底层向上采样（面积从大到小）先使用高斯内核与原图进行卷积操作，然后将偶数行列去除。
向上采样法向下采样法的逆操作，先将原图像扩大为原来的两倍，用0填充新增行列，然后使用与先前相同的内核与放大后的图像进行卷积，得到近似值。

在opencv中代码如下：

def up(img ,upordown):
    if(upordown ==1):
        return cv2.pyrUp(img)
    else:
        return cv2.pyrDown(img)

拉普拉斯金字塔

$L~i~ = G~i~ - PyrUp(PyrDown(G~i~))$

得到的是原图与执行了down然后在执行up后的结果之间的差异。
代码如下：

def Lapras(img):
    return (img - cv2.pyrUp(cv2.pyrDown(img)))

轮廓检测

cv2.findContours(img,mode,method)

mode:

RETR_EXTERNAL:只检测最外面的轮廓
RETR_LIST：检索所有轮廓并放入链表
RETR_CCOMP：检索所有轮廓并分成两层，顶层是各部分的边界，第二层是空洞的边界
RETR_TREE：检测所有轮廓并重构嵌套轮廓的整个层次，优先使用
method：轮廓逼近方法
CHTR_APPROX_NONE:以Freeman链码的形式输出轮廓，所有其他方法输出多边形。
CHTR_APPROX_SIMPLE：压缩水平的，垂直的和斜的部分，只保留终点部分。

一般轮廓检测使用二值图像

def thre(img):
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) #转成二值图像
    binary,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)#binary 原图像 contours轮廓信息，hierarchy层级
    copy_img = img.copy()#会改原图
    #
    app = approximate(contours)#轮廓近似
    res = cv2.drawContours(copy_img,[app],-1,(0,0,255),2)#-1指所有轮廓，第几层级的轮廓，轮廓颜色,线条宽度
    showImg(0,img,"img")
    showImg(0,res,"img")
    return res,img,contours

轮廓近似

取任意一条曲线段AB，线段连接AB，当曲线段AB不上存在一点C到线段AB距离大于阈值时，AB线段可以近似代替曲线段AB，反之则用线段连接AC，CB，继续近似过程，近似代码如下：

def approximate(contours):
    #epsilon = 0.1*cv2.arcLength(contours,True)#一般是周长百分比
    epsilon = 0.1
    approx = cv2.approxPolyDP(contours[30],epsilon,True)
    return approx

模板匹配

在原图中检索与目标图像相符合的部分，输出大小为（A-a+1）*(B-b+1)的矩阵

cv2.TM_CCOEFF：平方计算，数值越小越相关
cv2.TM_CCOEFF_NORMED：计算相关性，值越大越相关
cv2.TM_CCORR：值越大越相关
cv2.TM_CCORR_NORMED：计算归一化平方，值越接近零越相关
cv2.TM_SQDIFF：计算归一化相关性，值越接近1越相关
cvv2.TM_SQDIFF_NORMED：计算归一化相关系数，越接近1越相关

公式传送门

在opencv-python中实现如下：

method = ["cv2.TM_CCOEFF","cv2.TM_CCOEFF_NORMED","cv2.TM_CCORR","cv2.TM_CCORR_NORMED","cv2.TM_SQDIFF","cv2.TM_SQDIFF_NORMED"]

def matchT(img1,img2):
    for meth in method:
        img_copy = img1.copy()
        methodItem = eval(meth)
        res = cv2.matchTemplate(img1,img2,methodItem)
        min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
        print(res.shape)
        print(min_val)
        print(max_val)
         print(min_loc)
        print(max_loc)#根据方法不同取值
        print(img2.shape)
        if(methodItem in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]):
            top_left = min_loc
        else:
            top_left = max_loc
        bottom_right = (top_left[0]+img2.shape[1],top_left[1]+img2.shape[0])
        cv2.rectangle(img_copy,top_left,bottom_right,255,2)
    
        plt.subplot(121),plt.imshow(res,cmap="gray")
        plt.xticks([]),plt.yticks([])
        plt.subplot(122),plt.imshow(img_copy,cmap="gray")
        plt.xticks([]),plt.yticks([])
        plt.suptitle(meth)
        plt.show()

我使用的原图像如下：
在这里插入图片描述