Opencv (C++)系列学习---模板匹配

本文详细介绍了OpenCV中的模板匹配原理和API使用,包括`matchTemplate`函数参数、匹配方法的选择及其效果。通过实例代码展示了如何寻找最优匹配位置,并提供了不同匹配方法的比较。最后,讨论了在实际应用中如何选择匹配方法以平衡效率和准确性。
摘要由CSDN通过智能技术生成

目录

1.模板匹配的定义

2.API介绍

3.寻找最优匹配位置(匹配后的配套操作)

4.具体代码


1.模板匹配的定义

        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,该匹配方法并不是基于直方图,而是使用一个图像块在输入图像上进行“”滑动“”。(也就是在图像上按照模板大小一块一块比对)

2.API介绍

void cv::matchTemplate(
cv::InputArray image //需要匹配的图像
cv::InputArray temp  //模板图像
cv::OutArray  result //存储的计算得到的结果
int           method  //匹配的方法
)

对于该算子需要注意的有两点:

1.result是存储匹配的结果,对于它的定义为单通道的大小为(image.width-temp.width+1,image.height-temp.height+1),也就是原图的大小裁去temple模板的宽高,不过其定义rows和cols需要交换位置(正常图像Mat定义先rows后cols),同时数据类型可以是CV_8UC1或者CV_32FC1。具体定义如下:

Mat result(image.cols-temp.cols+1,image.rows-temp.rows+1,CV_32FC1)

2.匹配方法介绍

cv::TM_SQDIFF==0(方差匹配法)

cv::TM_SQDIFF_NORMED==1(归一方差匹配法)

cv::TM_CCORR==2(相关性匹配方法)

cv::TM_CCORR_NORMED==3(归一化的互相关匹配法)

cv::TM_CCOEFF==4(相关系数匹配法)

cv::TM_CCOEFF_NORMED==5(归一化相关系数匹配方法)

对于前两种方差匹配方法0和1,完全匹配后值为0,不匹配值很大(值越小,匹配效果越好)。

对于中间两种相关匹配方法2和3,完全匹配后值很大,不匹配时值很小,接近于0。(值越大,匹配效果越好)。

对于最后两种相关系数匹配方法4和5,完全匹配会得到1,完全误匹配会得到-1。(分值介于-1-1,值越大,匹配效果越好)。

3.寻找最优匹配位置(匹配后的配套操作)

1.cv::normalize 归一化,在同样的代码中选择不同的匹配方法,其result值的结果也不一致,通过归一化算子中cv::NORM_MINMAX方向可以将各点的匹配结果线性映射到0-1之间。

2.cv::minMaxLoc()最小和最大点查找,通过该算子可以将result中结果进行查找,找到分数最小最大值和其在result中的位置。

4.具体代码

#include<iostream>
#include<opencv2\opencv.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>

using namespace std;
using namespace cv;

#define WINDOW_NAME1 "【原始图片】"
#define WINDOW_NAME2 "【效果窗口】"

//定义全局变量
Mat g_srcImage, g_templateImage, g_resultImage;
int g_nMatchmethod;
int g_nMatTrackbarNum = 5;

//定义全局函数
void on_Matching(int, void*);

int main(int argc,char** argv)
{
	//【1】载入原图像和模块板
	g_srcImage = imread("E:\\进度\\11-16\\模板匹配\\1.jpg",1);
	g_templateImage = imread("E:\\进度\\11-16\\模板匹配\\2.jpg",1);

	//【2】创建窗口
	namedWindow(WINDOW_NAME1,WINDOW_AUTOSIZE);
	namedWindow(WINDOW_NAME2, WINDOW_AUTOSIZE);

	//【3】创建滑动条并进行初始化
	createTrackbar("方法",WINDOW_NAME1,&g_nMatchmethod,g_nMatTrackbarNum,on_Matching);
	on_Matching(0,0);

	waitKey(0);
	return 0;

}

//回调函数
void on_Matching(int, void*)
{
	//【1】 给局部变量初始化
	Mat srcImage;
	g_srcImage.copyTo(srcImage);

	//【2】初始化用于结果输出的矩阵
	int resultImage_cols = g_srcImage.cols - g_templateImage.cols + 1;
	int resultImage_rows = g_srcImage.rows - g_templateImage.rows + 1;

	g_resultImage.create(resultImage_cols,resultImage_rows,CV_32FC1);

	//【3】进行模板匹配
	matchTemplate(g_srcImage,g_templateImage,g_resultImage,g_nMatchmethod);
	normalize(g_resultImage,g_resultImage,0,1,NORM_MINMAX);

	//【4】通过函数minMaxLoc 定位最匹配的位置
	double minvalue, maxValue;
	Point minLocation, maxLocation, MatLocation;
	minMaxLoc(g_resultImage,&minvalue,&maxValue,&minLocation,&maxLocation);
	

	//【5】对于方法SQDIFF和SQDIFF_NORMED越小值有着更高的匹配结果,而其余的方法,数值越大匹配效果越好。
	if (g_nMatchmethod == TM_SQDIFF || g_nMatchmethod == TM_SQDIFF_NORMED)
	{
		MatLocation = minLocation;
	}
	else
	{
		MatLocation = maxLocation;
	}

	//【6】绘制出矩阵,并显示最终结果
	rectangle(srcImage, MatLocation, Point(MatLocation.x + g_templateImage.cols, MatLocation.y + g_templateImage.rows), Scalar(0, 0, 255), 2, 16);
	rectangle(g_resultImage, MatLocation, Point(MatLocation.x + g_templateImage.cols, MatLocation.y + g_templateImage.rows), Scalar(0, 0, 255), 2, 16);

	imshow(WINDOW_NAME1,srcImage);
	imshow(WINDOW_NAME2,g_resultImage);

}

运行结果如下图:

f08ce373b5234a54a3567e55af2160b4.png

通过对匹配方法的各个结果对比发现,归一化的匹配方法(2和3)在大多数情况下都会有好的结果,特别是室外环境的图像。相关系数方法的匹配效果更好,但是计算时间代价高。在实际的应用中,尤其是通过摄像头进行自动部件的检测或者特征跟踪,应该尝试使用所有的方法,从中找到一个同时兼顾效率和准确率的方法。

  • 5
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
OpenCV 模板匹配是一种基于模板图像和待匹配图像进行匹配的技术。该技术主要用于在待匹配图像中查找与模板图像相似的区域位置。OpenCV 提供了多种模板匹配算法,包括平方差匹配、归一化平方差匹配、相关性匹配和归一化相关性匹配等。 模板匹配的基本流程如下: 1. 加载待匹配图像和模板图像 2. 对模板图像进行预处理,如灰度化、二值化等操作 3. 使用模板图像在待匹配图像中进行滑动窗口搜索,计算匹配度 4. 根据匹配度确定匹配位置 5. 绘制匹配结果或输出匹配位置信息 以下是一个基于归一化平方差匹配的模板匹配示例代码: ```python import cv2 import numpy as np # 加载待匹配图像和模板图像 img = cv2.imread('test.jpg') template = cv2.imread('template.jpg') # 对模板图像进行灰度化和二值化处理 template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY) _, template_thresh = cv2.threshold(template_gray, 0, 255, cv2.THRESH_BINARY) # 获取模板图像大小 h, w = template_thresh.shape[:2] # 使用归一化平方差匹配算法进行模板匹配 res = cv2.matchTemplate(img, template_thresh, cv2.TM_SQDIFF_NORMED) # 获取匹配位置 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) top_left = min_loc bottom_right = (top_left[0] + w, top_left[1] + h) # 绘制匹配结果 cv2.rectangle(img, top_left, bottom_right, (0, 0, 255), 2) # 显示匹配结果 cv2.imshow('Match result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上述代码中,我们首先加载了待匹配图像和模板图像,并对模板图像进行了灰度化和二值化处理。然后使用 `cv2.matchTemplate()` 函数进行模板匹配,并获取匹配位置。最后使用 `cv2.rectangle()` 函数绘制匹配结果,并展示出来。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值