cv2.minMaxLoc() 是 OpenCV 库中的一个函数，用于在给定的数组（通常是图像）中找到最小值和最大值，并返回它们的位置。这个函数在图像处理中非常有用，特别是在需要找到图像中的极值点时。
函数定义：
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(src, mask=None)参数
-
src：输入数组（通常是单通道图像）。 -
mask（可选）：掩码数组，用于指定在哪些区域中查找最小值和最大值。如果为None，则在整个数组中查找。
返回值
-
minVal：数组中的最小值。 -
maxVal：数组中的最大值。 -
minLoc：最小值的位置（以元组形式返回，例如(x, y)）。 -
maxLoc：最大值的位置（以元组形式返回，例如(x, y)）。
示例
以下是一个简单的示例，展示如何使用 cv2.minMaxLoc() 函数：
import cv2
import numpy as np
# 创建一个示例图像
image = np.array([
[10, 20, 30],
[40, 50, 60],
[70, 80, 90]
], dtype=np.uint8)
# 使用 cv2.minMaxLoc() 查找最小值和最大值及其位置
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(image)
print(f"最小值: {minVal} 位置: {minLoc}")
print(f"最大值: {maxVal} 位置: {maxLoc}")结果输出如下：
最小值: 10 位置: (0, 0)
最大值: 90 位置: (2, 2)借助于cv2.minMaxLoc()的这个功能特性可以实现非常有用的功能，比如：挖掘图像的最亮区域、挖掘波峰最大最小极值等等，在实际的项目开发中，可以整合cv2.minMaxLoc()方法来帮助我们完成yolo系列模型目标检测推理的计算操作。
实例如下：
row = output_data[i]
confidence = row[4]
if confidence >= 0.4:
classes_scores = row[5:]
print("classes_scores_shape: ", classes_scores.shape)
_, _, _, max_indx = cv2.minMaxLoc(classes_scores)
print("_, _, _, max_indx: ", _, _, _, max_indx)
class_id = max_indx[1]
print("class_id: ", class_id)实例输出如下：
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 49) (0, 49) (0, 49) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 49) (0, 49) (0, 49) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 49) (0, 49) (0, 49) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 49) (0, 49) (0, 49) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 49) (0, 49) (0, 49) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 49) (0, 49) (0, 49) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 18) (0, 18) (0, 18) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 9) (0, 9) (0, 9) (0, 30)
class_id: 30
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17
classes_scores_shape: (50,)
_, _, _, max_indx: (0, 3) (0, 3) (0, 3) (0, 17)
class_id: 17上述推理处理核心是基于onnx完成推理计算得到模型的输出之后，利用cv2.minMaxLoc()方法来帮助我们实现最大值、最小值的提取以及对应坐标位置的提取。
yolo系列模型是现代化的目标检测解除的算法模型，在早期的时候非常基础简单的目标检测实现方式可以借助于cv2.matchTemplate()方法来做基础的实现。
cv2.matchTemplate() 是 OpenCV 库中的一个函数，用于在输入图像中搜索模板图像。该函数通过滑动模板图像在输入图像上的方式，计算每个位置的匹配程度，从而找到最佳匹配位置。这在对象检测和图像匹配任务中非常有用。
OpenCV提供了6种模板匹配算法。
method 名称 含义
TM_SQDIFF 平方差匹配
计算模板与目标图像的方差，由于是像素值差值的平方的和，所以值越小匹配程度越高。
TM_CCORR 相关匹配 该方法采用乘法操作；数值越大表名匹配程度越好。
TM_CCOEFF 相关系数匹配 计算相关系数，1表示完美匹配；-1表示最差匹配。
TM_SQDIFF_NORMED 归一化平方差匹配 计算归一化平方差，计算出来的值越接近0，越相关。
TM_CCORR_NORMED 归一化相关匹配 计算归一化相关性，计算出来的值越接近1，越相关。
TM_CCOEFF_NORMED 归一化相关系数匹配 计算归一化相关系数，计算出来的值越接近1，越相关。函数定义实现：
result = cv2.matchTemplate(image, templ, method[, result[, mask]])参数
-
image：输入图像（通常是灰度图像），在其中搜索模板。 -
templ：模板图像（通常是灰度图像），其大小不应超过输入图像，并且数据类型应与输入图像相同。 -
method：匹配方法，可以是以下之一：-
cv2.TM_SQDIFF -
cv2.TM_SQDIFF_NORMED -
cv2.TM_CCORR -
cv2.TM_CCORR_NORMED -
cv2.TM_CCOEFF -
cv2.TM_CCOEFF_NORMED
-
-
result（可选）：输出匹配结果的矩阵。如果未指定，函数会自动创建一个。 -
mask（可选）：掩码图像，用于指定模板图像中哪些像素参与匹配。仅当method为cv2.TM_SQDIFF或cv2.TM_CCORR时有效。
返回值
-
result：匹配结果矩阵，其大小为(W-w+1, H-h+1)，其中W和H是输入图像的宽度和高度，w和h是模板图像的宽度和高度。
示例
以下是一个简单的示例，展示如何使用 cv2.matchTemplate() 函数：
import cv2
import numpy as np
from matplotlib import pyplot as plt
# 读取输入图像和模板图像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('template_image.jpg', cv2.IMREAD_GRAYSCALE)
# 使用 cv2.matchTemplate() 进行模板匹配
result = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
# 找到最佳匹配位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
# 绘制匹配结果
top_left = max_loc
bottom_right = (top_left[0] + template.shape[1], top_left[1] + template.shape[0])
cv2.rectangle(image, top_left, bottom_right, 255, 2)
# 显示结果
plt.subplot(121), plt.imshow(result, cmap='gray')
plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(image, cmap='gray')
plt.title('Detected Point'), plt.xticks([]), plt.yticks([])
plt.show()代码逻辑解释
-
读取输入图像和模板图像。
-
使用
cv2.matchTemplate()函数进行模板匹配，选择cv2.TM_CCOEFF_NORMED方法。 -
使用
cv2.minMaxLoc()函数找到最佳匹配位置。 -
在输入图像上绘制矩形框，标记出匹配位置。
-
使用
matplotlib显示匹配结果和标记后的输入图像。
通过这种方式，可以在输入图像中找到模板图像的最佳匹配位置，并进行可视化展示。
接下来我们来做一个有趣的实践，代码实现如下所示：
#!usr/bin/env python
# encoding:utf-8
from __future__ import division
"""
__Author__:沂水寒城
功能： 基于OpenCV实现目标检测
"""
import cv2 as cv2
import numpy as np
from matplotlib import pyplot as plt
def baseObjectDetection(template="00a0ca4c278335a01727bdae64b0cc92.jpg", son="son.png"):
"""
简单目标检测实例
"""
template = cv2.imread(template)
son = cv2.imread(son)
h, w = son.shape[:2]
# 检测匹配
res = cv2.matchTemplate(template, son, cv2.TM_CCOEFF_NORMED)
# 挖掘位置区域坐标
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(res)
top, left = maxLoc
bottom, right = top + w, left + h
# 可视化
cv2.rectangle(template, (top, left), (bottom, right), (255, 0, 0), 5)
# 存储
cv2.imwrite("res.jpg", template)
if __name__ == "__main__":
baseObjectDetection(template="00a0ca4c278335a01727bdae64b0cc92.jpg", son="son.png")
其中：
00a0ca4c278335a01727bdae64b0cc92.jpg如下所示：
son.png是我们从原图中随意crop出来的目标对象，接下来我们依次来看下实验效果：
可以看到：我们人工crop出来的子目标作为son.png来进行检测匹配，无一例外都非常好的检测出来了。
接下来我们想看下实际汉字能否想上面的子目标一样完成检测，理论上感觉应该是可以的，这里哦我们实验结果如下：
稳稳命中，还是非常不错的。
感兴趣的话也可以自行动手实践下！
扫一扫
8810
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
