Opencv之模板匹配

模板匹配

原理

模板匹配和卷积原理很像,模板在原图像上从原点开始滑动,计算模板与(图像被模板覆盖的地方)的差别程度,这个差别程度的计算方法在opencv里有6种,然后将每次计算的结果放入一个矩阵里,作为结果输出。假如原图形是AxB大小,而模板是axb大小,则输出结果的矩阵是(A-a+1)x(B-b+1)。

方法

cv2.matchTemplate(img, template, methods)
参数methods可以用下面几种方法:

  • TM_SQDIFF:计算平方不同,计算出来的值越小,越相关
  • TM_CCORR:计算相关性,计算出来的值越大,越相关
  • TM_CCOEFF:计算相关系数,计算出来的值越大,越相关
  • TM_SQDIFF_NORMED:计算归一化平方不同,计算出来的值越接近0,越相关
  • TM_CCORR_NORMED:计算归一化相关性,计算出来的值越接近1,越相关
  • TM_CCOEFF_NORMED:计算归一化相关系数,计算出来的值越接近1,越相关
    具体公式可参考:Opencv官网

举例说明:

要求:用下图所示的模板来匹配图片,将图片中此模板对应的区域用矩形圈出来。
在这里插入图片描述
在这里插入图片描述

img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2] 
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
# 先使用计算平方的方法匹配模板
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# 得到计算值的最大值、最小值以及它们的左上角的位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 运用所有方法
for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED,取最小值;否则取最大值。
    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)

    # 画矩形
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

最终结果为:
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
由结果可知,大多数情况下模板匹配是成功的(除CCORR方法外)。
左图代表的是每种方法的评价标准,除了平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED外,其他方法都是在某点的计算数值越大,匹配度越高。

匹配多个对象

如果需要匹配多个对象,则不能直接用cv2.minMaxLoc(res)来找匹配度最高的区域。而是应该设一个较大的阈值,只要匹配度大于这个阈值,都应该被视为“匹配”。
如有下面的图片和模板:
在这里插入图片描述在这里插入图片描述

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标,而不是找匹配度最大的坐标。
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数;[:,:,-1]表示调转loc中坐标的顺序,比如原来是(40, 69),现在变成(69, 40)。
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

得到结果:
在这里插入图片描述
由于这种方法是通过设置阈值来实现的,所以匹配到的图片位置可能更多,比如匹配到的左上角坐标是(69, 40),但由于(70, 40)离得比较近,故这个点也会被考虑在匹配范围之内,从而再画一个矩形。

PS: np.where()函数的用法

方法1:

np.where(condition, x, y)

满足条件(condition),输出x,不满足输出y。

方法2:

np.where(condition)

输出满足条件 (即非0) 元素的坐标。这里的坐标以元组的形式给出,通常原数组有多少维,输出的元组中就包含几个数组,分别对应符合条件元素的各维坐标。
如上面马里奥的例子,输出的元组loc中有两个数组,代表两个维度,即y方向和x方向。

发布了56 篇原创文章 · 获赞 2 · 访问量 984
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 护眼 设计师: 闪电赇

分享到微信朋友圈

×

扫一扫,手机浏览