OpenCV模板匹配matchTemplate的实现

作者:山上有风景 时间:2021-08-09 15:51:51 

作用有局限性,必须在指定的环境下,才能匹配成功,是受到很多因素的影响,所以有一定的适应性

模板匹配是一种最原始、最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物,这就是一个匹配问题。
它是图像处理中最基本、最常用的匹配方法。
模板匹配具有自身的局限性,主要表现在它只能进行平行移动,若原图像中的匹配目标发生旋转或大小变化,该算法无效。

模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域[/code]

OpenCV模板匹配matchTemplate的实现

工作原理:在待检测图像上,从左到右,从上向下计算模板图像与重叠子图像的匹配度,匹配程度越大,两者相同的可能性越大。

代码实现:


import cv2 as cv
import numpy as np

def template_demo():
 tpl = cv.imread("./temp.png")
 target = cv.imread("./1.png")
 cv.imshow("template image",tpl)
 cv.imshow("target image",target)
 methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]#各种匹配算法
 th,tw = tpl.shape[:2]#获取模板图像的高宽
 for md in methods:
   result = cv.matchTemplate(target,tpl,md)
   # result是我们各种算法下匹配后的图像
   # cv.imshow("%s"%md,result)
   #获取的是每种公式中计算出来的值,每个像素点都对应一个值
   min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
   if md == cv.TM_SQDIFF_NORMED:
     tl = min_loc  #tl是左上角点
   else:
     tl = max_loc
   br = (tl[0]+tw,tl[1]+th)  #右下点
   cv.rectangle(target,tl,br,(0,0,255),2)#画矩形
   cv.imshow("match-%s"%md,target)

src = cv.imread("./1.png") #读取图片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)  #创建GUI窗口,形式为自适应
cv.imshow("input image",src)  #通过名字将图像和窗口联系
template_demo()
cv.waitKey(0)  #等待用户操作,里面等待参数是毫秒,我们填写0,代表是永远,等待用户操作
cv.destroyAllWindows() #销毁所有窗口

补充:

1.几种常见的模板匹配算法

OpenCV模板匹配matchTemplate的实现

①TM_SQDIFF是平方差匹配;TM_SQDIFF_NORMED是标准平方差匹配。利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大。

②TM_CCORR是相关性匹配;TM_CCORR_NORMED是标准相关性匹配。采用模板和图像间的乘法操作,数越大表示匹配程度较高, 0表示最坏的匹配效果。

③TM_CCOEFF是相关性系数匹配;TM_CCOEFF_NORMED是标准相关性系数匹配。将模版对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。

总结:随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价)。

相关性是越接近1越大越好

平方差是越小越好
所以TM_SQDIFF在使用时和其他的是有所区别的

2.result = cv.matchTemplate(target,tpl,md)

opencv的目标匹配函数为matchTemplate,函数原型为:matchTemplate(image, templ, method[, result[, mask]]) -> result
image参数表示待搜索源图像,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)。

其中result是模板图像去匹配的区域位置图像[/code]

OpenCV模板匹配matchTemplate的实现

OpenCV模板匹配matchTemplate的实现

OpenCV模板匹配matchTemplate的实现

3.min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)

opencv的函数minMaxLoc:在给定的矩阵中寻找最大和最小值,并给出它们的位置。 该功能不适用于多通道阵列。 如果您需要在所有通道中查找最小或最大元素,要先将阵列重新解释为单通道。
函数minMaxLoc原型为:minMaxLoc(src[, mask]) -> 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。

结合每种匹配算法,我们看看获取的数值


result = cv.matchTemplate(target,tpl,md)
   #获取的是每种公式中计算出来的值,每个像素点都对应一个值
   min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
   print("--------------%s--------------"%md)
   print("min_val",min_val)
   print("max_val",max_val)
   print("min_loc",min_loc)
   print("max_loc",max_loc)
   print("--------------%s--------------" % md)

--------------1--------------#TM_SQDIFF_NORMED标准平方差匹配
min_val 0.0#标准差是越小为0代表匹配上了
max_val 0.22279763221740723
min_loc (108, 248)
max_loc (3, 480)
--------------1--------------
--------------3--------------#TM_CCORR_NORMED标准相关性匹配
min_val 0.9228140115737915
max_val 1.0#相关性是越接近1代表匹配上了
min_loc (9, 378)
max_loc (108, 248)
--------------3--------------
--------------5--------------#TM_CCOEFF_NORMED标准相关性系数匹配
min_val -0.10706906020641327
max_val 1.0#相关性越接近1越好
min_loc (186, 248)
max_loc (108, 248)
--------------5--------------

查看min_loc和max_loc关系


cv.line(target,min_loc,max_loc,(0,255,255),2)

OpenCV模板匹配matchTemplate的实现

来源:https://www.cnblogs.com/ssyfj/p/9271883.html

标签:OpenCV,matchTemplate,模板匹配
0
投稿

猜你喜欢

  • Python第三方常用模块openpyxl的简单介绍

    2021-05-28 16:10:09
  • SQL Server 中调整自增字段的当前初始值

    2024-01-27 13:53:01
  • golang 将[]byte转成16进制的实现

    2024-02-17 00:35:03
  • 在Python文件中指定Python解释器的方法

    2023-06-24 13:22:50
  • 详解Vue 多级组件透传新方法provide/inject

    2024-06-05 09:21:03
  • Transpose 数组行列转置的限制方式

    2023-11-09 08:30:45
  • Python 常用模块threading和Thread模块之线程池

    2022-02-20 05:39:08
  • python高阶爬虫实战分析

    2023-02-04 14:11:10
  • python3爬虫中多线程的优势总结

    2023-05-15 02:41:07
  • prototype-1.4.0注释版源代码下载

    2007-09-30 14:06:00
  • 在Python中处理字符串之isdecimal()方法的使用

    2021-03-18 04:25:18
  • 使用Python Fast API发布API服务的过程详解

    2022-05-19 20:03:44
  • python怎么判断模块安装完成

    2022-11-25 12:58:56
  • 如何利用pyinstaller打包Python程序为exe可执行文件

    2023-11-08 08:01:39
  • MySQL学习记录之KEY分区引发的血案

    2024-01-19 03:19:42
  • 三层级联动的日期选择下拉框javascript源码

    2013-08-15 16:50:40
  • 利用Python读取微信朋友圈的多种方法总结

    2023-02-12 20:47:20
  • python中几个常用函数的正确用法-lambda/filter/map/reduce

    2022-02-17 14:52:45
  • python matplotlib坐标轴设置的方法

    2022-03-26 03:44:04
  • 浅析matlab中imadjust函数

    2022-03-14 19:44:22
  • asp之家 网络编程 m.aspxhome.com