OpenCV学习笔记之模板匹配

最新推荐文章于 2024-06-12 10:25:24 发布

吾名招财

最新推荐文章于 2024-06-12 10:25:24 发布

阅读量261

点赞数

分类专栏： OpenCV 文章标签： opencv

本文链接：https://blog.csdn.net/qq_44870829/article/details/110859941

版权

OpenCV 专栏收录该内容

30 篇文章 0 订阅

订阅专栏

OpenCV模板匹配

matchTemplate函数

参考链接：https://www.cnblogs.com/yysky/p/10497858.html

基本思想是将模板图像在目标图像上滑动逐一对比，通过统计的基本方法进行匹配，比如方差检验，相关性检验等方法来寻找最佳匹配

CV_EXPORTS_W void matchTemplate(
						  InputArray image,
						  InputArray templ,
                          OutputArray result,
                          int method );

参数1：image，待匹配的源图像（搜索图像）
参数2：templ，模板图像
参数3：result，保存结果的矩阵
　　我们可以通过minMaxLoc() 确定结果矩阵的最大值和最小值的位置.
　　minMaxLoc()函数：查找全局最小和最大稀疏数组元素并返回其值及其位置
　　void minMaxLoc(const SparseMat& a, double* minVal,double* maxVal, int* minIdx=0, int* maxIdx=0);
a: 匹配结果矩阵
　　&minVal 和 &maxVal: 在矩阵 result 中存储的最小值和最大值
　　&minLoc 和 &maxLoc: 在结果矩阵中最小值和最大值的坐标.
参数4：method ，模板匹配的算法
　　有以下六种：

	enum TemplateMatchModes {		//模板匹配对应的匹配算法，有三种归一化的，三种不归一化的
		TM_SQDIFF = 0,				//平方差匹配法,计算平方不同，计算出来的值越小，越相关
		TM_SQDIFF_NORMED = 1,		//归一化平方差匹配法,计算归一化平方不同，计算出来的值越接近0，越相关
		TM_CCORR = 2,				//相关匹配法,计算相关性，计算归一化相关性，计算出来的值越大，越相关
		TM_CCORR_NORMED = 3,		//归一化相关匹配法,计算出来的值越接近1，越相关
		TM_CCOEFF = 4,				//系数匹配法,计算相关系数，计算出来的值越大，越相关
		TM_CCOEFF_NORMED = 5		//归一化相关系数匹配法,计算归一化相关系数，计算出来的值越接近1，越相关

归一化函数

normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

具体代码实现

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

Mat src, temp, dst;
int match_method = TM_SQDIFF;
int max_track = 5;
const char* INPUT_T = "input image";
const char* OUTPUT_T = "result image";
const char* match_t = "template match-demo";
void Match_Demo(int, void*);
int main(int argc, char** argv) {
	// 待检测图像
	src = imread("G:/OpenCV/opencv笔记所用图片/模板匹配/nvTuan.jpg");
	// 模板图像
	temp = imread("G:/OpenCV/opencv笔记所用图片/模板匹配/DanRen.jpg");
	if (src.empty() || temp.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow(INPUT_T, CV_WINDOW_AUTOSIZE);
	namedWindow(OUTPUT_T, CV_WINDOW_NORMAL);
	namedWindow(match_t, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_T, temp);
	const char* trackbar_title = "Match Algo Type:";
	createTrackbar(trackbar_title, OUTPUT_T, &match_method, max_track, Match_Demo);
	Match_Demo(0, 0);

	waitKey(0);
	return 0;
}

void Match_Demo(int, void*) {
	int width = src.cols - temp.cols + 1;	//与公式相同
	int height = src.rows - temp.rows + 1;
	Mat result(width, height, CV_32FC1);// 输出结果，必须是单通道32位浮点数，假设源图像WxH,模板图像wxh,则结果必须为W - w + 1, H - h + 1的大小。

	matchTemplate(src, temp, result, match_method, Mat());//模板匹配
	normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());//归一化，变为0-1之间

	Point minLoc;
	Point maxLoc;
	double min, max;
	src.copyTo(dst);		//将其全部拷贝到dst上
	Point temLoc;
	minMaxLoc(result, &min, &max, &minLoc, &maxLoc, Mat());		//得到最小最大值
	if (match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED) {	//平方差匹配的方式越小越好
		temLoc = minLoc;
	}
	else {				//计算相关性，相关系数的方式值越大越好
		temLoc = maxLoc;
	}

	// 绘制矩形
	rectangle(dst, Rect(temLoc.x, temLoc.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, 8);
	rectangle(result, Rect(temLoc.x, temLoc.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, 8);

	imshow(OUTPUT_T, result);
	imshow(match_t, dst);
}