一、模板匹配

1.定义：

模板匹配就是在给定的图片中，查找和模板最相似的区域，算法的输入包括模板和图片，通过不断移动模板图片，计算其与图片对应区域匹配度，将匹配度最高区域选择为最终结果

2.实现：

result=cv.matchTemplate( img,template,method)

参数：

1>template :模板
2>method: 实现模板匹配的算法，主要有:
1.平方差匹配(CV_TM_SQDIFF):利用模板与图像之间的平方差进行匹配，最好的匹配是0,匹配越差，匹配的值越大。
2.相关匹配(CV_TM_CCORR):利用模板与图像间的乘法进行匹配，数值越大表示匹配程度较高，越小表示匹配效果差。
3.利用相关系数匹配(CV_TM_CCOEFF):利用模板与图像间的相关系数匹配，1表示完美的匹配，-1表示最差的匹配。

注意：完成匹配后，使用cv.minMaxLoc()方法查找最大值所在的位置即可,如果使用平方差作为比较方法，则最小值位置是最佳匹配位置。

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
img=cv.imread('snow.jpg')
#plt.imshow(img[:,:,::-1])
#plt.show()
template=cv.imread('snow1.jpg')
h,w=template.shape[:2]
result=cv.matchTemplate(img,template,cv.TM_CCORR)
min_val,max_val,min_loc,max_loc=cv.minMaxLoc(result)
top_left=max_loc
bottom_right=(top_left[0]+w,top_left[1]+h)
cv.rectangle(img,top_left,bottom_right,(0,255,0),2)#设置颜色与宽度
plt.imshow(img[:,:,::-1])
plt.show()

二、霍夫线检测

1.原理：

霍夫变换常用来提取图像中的直线和圆等几何图形，霍夫空间中的一条线对应笛卡尔坐标系中一个点：

笛卡尔坐标系中两个点，对应霍夫空间一条直线

在霍夫空间内，经过一个点的直线越多，说明其在笛卡尔空间内映射的直线是由越多的点所构成，在笛卡尔空间中，可能存在斜率为无穷的直线，此时就需要采用极坐标

2.实现：

cv.HoughLines(img,rho,theta,threshold)

参数：

img:检测的图像，要求是二值化的图像，所以在调用霍夫变换之前首先要迸行二值化，或者迸行Canny边缘检测
rho、theta: 两个角度的精确度
threshold:阈值，只有累加器中的值高于该阈值时才被认为是直线

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
img=cv.imread("straight.jpg")
edges=cv.Canny(img,50,200)
#plt.imshow(edges,cmap=plt.cm.gray)
#plt.show()
lines=cv.HoughLines(edges,0.8,np.pi/180,100)
for line in lines:rho,theta=line[0]a=np.cos(theta)b=np.sin(theta)x0=rho*ay0=rho*bx1=int(x0+1000*(-b))y1=int(y0+1000*a)x2=int(x0-1000*(-b))y2=int(y0-1000*a)cv.line(img,(x1,y1),(x2,y2),(0,0,255))
plt.imshow(img[:,:,::-1])
plt.show()

三、霍夫圆检测

1.描述：

OpenCV采用霍夫梯度法将霍夫圆检测范围两个阶段，第一阶段检测圆心，第二阶段利用圆心推导出圆圆心检测的原理:圆心是圆周法线的交汇处,设置-一个阈值，在某点的相交的直线的条数大于这个阈值就认为该交汇点为圆心。
圆半径确定原理:圆心到圆周上的距离(半径)是相同的,确定- 个阈值，只要相同距离的数量大
于该阈值，就认为该距离是该圆心的半径。

2.用法：

circles=cv.HoughCircles(image,method,dp,minDist,param1=100,param2=100,minRadius=0,maxRadius=0)

参数：

1>method: 使用霍夫变换圆检测的算法，它的参数是CV_ HOUGH_ GRADIENT
2>dp:霍夫空间的分辨率，dp=1时表示霍夫空间与输入图像空间的大小一致， dp=2时霍夫空间是输入图像空间的一半，以此类推
3>minDist为圆心之间的最小距离，如果检测到的两个圆心之间距离小于该值，则认为它们是同一个圆心
4>param1: 边缘检测时使用Canny算子的高阈值，低阈值是高阈值的一半
5>param2: 检测圆心和确定半径时所共有的阈值
6>minRadius和maxRadius为所检测到的圆半径的最小值和最大值

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
img=cv.imread("straight.jpg")
img1=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
img2=cv.medianBlur(img1,7)
#plt.imshow(img2,cmap=plt.cm.gray)
#plt.show()
circles=cv.HoughCircles(img2,cv.HOUGH_GRADIENT,1,200,param1=100,param2=50,minRadius=0,maxRadius=100)
circle1=circles[0, :, :]
circle1=np.uint16(np.around(circle1))
for c in circle1[:]:cv.circle(img,(c[0],c[1],c[2],(0,0,255),2))cv.circle(img,(c[0],c[1],c[2],(0,0,255),-1))
plt.imshow(img[:,:,::-1])
plt.show()