图像检测 - 模板匹配 - 多模板匹配图像检测

于 2024-03-06 13:31:16 发布
阅读量248 收藏
点赞数
分类专栏： 数字图像处理 文章标签： opencv 计算机视觉 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44886601/article/details/136503052
版权
本文介绍了多模板匹配在图像检测中的应用，特别是针对停车场目标车辆位置的检测。通过将每个模板应用于原始图像并汇总匹配结果，可以确定车辆停在哪个车位上。详细阐述了匹配过程，并提供了相应的代码示例和结果展示。
摘要由CSDN通过智能技术生成

1、前言

模板匹配是指在特定的图像中，找到指定目标的过程。这里的制定目标就是模板，从图像的找到模板就叫做模板匹配

模板匹配的大概流程就是将模板作为类似滤波器，在图像上进行滑动，计算重叠区域像素点的差异，这里可以是方差等等。

具体的算法可以参考：图像检测 - 模板匹配方法（算法详解）

模板只有一个，叫做单模板匹配，具体可以匹配目标、找出图片的最佳匹配结果、查找重复图像等等。如果进行多目标匹配的话，可以在地图上统计地铁站台、公交站台的个数，查找最近距离等等。

具体实验和介绍参考：图像检测 - 模板匹配 - 单模板匹配图像检测

本章主要介绍多模板匹配，即检测多个目标，以及相关的应用等等

匹配过程中同时查找多个模板的操作叫多模板匹配。多模板匹配

了解本专栏 订阅专栏 解锁全文 超级会员免费看
听风吹等浪起
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
图像模板匹配 opencv c++实现
weixin_43340536的博客
07-12 1693
用T表示模板图像，I表示待匹配图像，切模板图像的宽为w高为h，用R表示匹配结果，匹配过程如下图所示：1、平方差匹配算法method=TM_SQDIFF这类方法利用平法差来进行匹配，最好匹配为0，而若匹配越差，匹配值则越大2、归一化平方差匹配法method=TM_SQDIFF_NORMED3、相关匹配法method=TM_CCORR这类方法采用模板和图像之间的惩罚操作，所以较大的数表示匹配程度较高，0标识最坏的匹配效果；4、归一化相关匹配法method=TM_CCORR_NORMED。
图像处理(8) 模板匹配_模板匹配的图像模板，算法太TM重要了
最新发布
2401_84150394的博客
04-18 893
基于相关性的模板匹配其实是另一种基于灰度值的匹配，不过它的特点是使用一种归一化的互相关匹配(Normalized Cross Correlation，NCC）来衡量模板图像和检测图像之间的关系，因此，在光照方面受的影响比较小。基于形变的模板匹配也是一种基于形状的匹配方法，但不同的是，其返回结果中不仅包括轻微形变的形状、形变的位置和参数，还有描述形变的参数，如旋转角度、缩放倍数等。与基于透视形变的模板匹配类似，基于描述符的模板匹配能够在物体处于透视形变的状态下进行匹配，并且已标定和未标定的相机图像都适用。
图像模板匹配、视觉定位
11-08
采用基于旋转不变矩的模板匹配算法，定位速度快，针对100*100的模板，图像大小在640*480，搜索速度在5个毫秒左右，精度在一个像素之间。适合工业应用和研究应用。
图像模板匹配
moonlightpeng的博客
10-10 272
深度学习
图像处理(8) : 模板匹配
热门推荐
QtHalcon
06-09 3万+
​模板匹配指的是通过模板图像与测试图像之间的比较，找到测试图像上与模板图像相似的部分，这是通过计算模板图像与测试图像中目标的相似度来实现的，可以快速地在测试图像中定位出预定义的目标。匹配的主要思路是使用一个目标原型，根据它创建一个模板，在测试图像中搜索与该模板图像最相似的目标，并寻找与该模板的均值或方差最接近的区域。 通过模板匹配可以得到目标的相似度，旋转角度，行列坐标，缩放大小等。 针对不同的图像特征和检测环境，有多种模板匹配算法。如何选择合适的模板匹配算法，取决于具体的图像数...
Opencv——图像模板匹配
杨老师的小跟班(*∩_∩*)
09-16 6463
模板匹配可以看作是对象检测的一种非常基本的形式。使用模板匹配，我们可以使用包含要检测对象的“模板”来检测输入图像中的对象。
图像处理--模板匹配
qq_27009517的博客
09-26 739
模板匹配就是按照一定的相似性规则，在一张图像中寻找与模板最相似的区域。 模板： 图像 匹配的过程就是按照从左到右，从上到下的顺序，依次遍历全图，通过定义的相似度评判准则，计算模板与当前位置图像块的相似度，进而得到最相似位置，实现目标定位。 常见的相似度准则有： 即：平方差、归一化平方差、相关系数、归一化相关系数、互相关五种。 import cv...
图像处理之模板匹配
weixin_40063211的博客
06-02 1万+
模板匹配法 模板匹配是一种用于在源图像S中寻找定位给定目标图像T（即模板图像）的技术。其原理很简单，就是通过一些相似度准则来衡量两个图像块之间的相似度Similarity(S,T)。 模板匹配的工作方式 模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。假设我们有一张100x100的输入图像...
图像处理-模板匹配--源码
07-24
基于python-OpenCV的图像处理-模板匹配--源码。
图象的检测,模板匹配
07-12
图象的检测,模板匹配的各种方法:1. 投影法;2. 差影法;3. 模板匹配;
用于模板匹配+跟随定位测试图片
07-23
用于模板匹配+跟随定位测试
图像模板匹配算法
02-17
本算法的基本思想是：以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。利用两个信号的相关函数，评价它们的相似性以确定同名点。灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。
python+opencv实现图像模板匹配
02-25
通过使用opencv，使用python语言实现图像模板匹配，从而实现图像的类别分类。
第八节 图像处理之模板匹配
12-04
#模板匹配 import cv2 as cv import numpy as np def template_demo(): dog = cv.imread("E:/opencv/picture/dog.jpg") dog_nose = cv.imread("E:/opencv/picture/nose.jpg") cv.imshow("dog",dog) result = cv.matchTemplate(dog,dog_nose,cv.TM_CCORR_NORMED) h,w =dog_nose.shape[:2] min_val,max_val,min_loc,max_loc=cv.minMaxLoc(result) pt1 = max_loc pt2 = (pt1[0]+w,pt1[1]+h) cv.rectangle(dog,pt1,pt2,(0,255,0),2) cv.imshow("match",dog) print(result) #src = cv.imread("E:/opencv/picture/dog.jpg") #cv.imshow("inital_window",src) template_demo() cv.waitKey(0) cv.destroyAllWindows() 分析： 模板匹配通常用于目标检测。本文我们检测狗图片的鼻子。 • 我们需要两个主要组件： 1. 源图像（I）：我们期望找到与模板图像匹配的图像 2. 模板图像（T）：将与模板图像进行比较的补丁图像 1. result = cv.matchTemplate(dog,dog_nose,cv.TM_CCORR_NORMED) void cv::matchTemplate( cv::InputArray image, // 待匹配图像W*H cv::InputArray templ, // 模板图像，和image类型相同， 大小 w*h cv::OutputArray result, // 匹配结果图像, 类型 32F, 大小 (W-w+1)*(H-h+1) int method // 用于比较的方法 ); 其中method有： TM_SQDIFF_NORMED匹配数值越低表示匹配效果越好 TM_CCORR_NORMED，TM_CCOEFF_NORMED匹配数值越大表示匹配效果越好 result参数:（保存各个点匹配结果的参数） 模板匹配函数cvMatchTemplate依次计算模板与待测图片的重叠区域的相似度，并将结果存入映射图像result当中，也就是说result图像中的每一个点的值代表了一次相似度比较结果 模板在待测图像上每次在横向或是纵向上移动一个像素，并作一次比较计算 我们可以通过cv.minMaxLoc函数来确定结果矩阵的最大值和最小值的位置。 2. cv.minMaxLoc（result） 返回result数值中最小值以及最小值所在的位置和最大值以及最大值所在的位置。 3. 当知道哪个点匹配度最高时这个时候我们需要用矩阵把模板给标出来 C++: void rectangle(Mat& img, Point pt1,Point pt2,const Scalar& color, int thickness=1, int lineType=8, int shift=0) 第一个参数：要在哪个图像上画？ 第二个参数：矩阵的左上角点坐标 第三个参数：矩阵的右下角点坐标 第四个参数：颜色
多模板匹配.rar_LABVIEW模板匹配_labview_labview图像_多模板匹配_模板匹配
07-15
本资源“多模板匹配.rar”似乎是一个关于LabVIEW中实现多模板匹配的实验或项目，包含了一些配置文件和多个模板图像。 模板匹配是计算机视觉中的一个基本技术，它用于在较大的图像中查找与给定模板（小图像）相似的...
图像检测 - 模板匹配方法（算法详解）
Henry的博客
03-04 658
数字图像处理中的模板匹配方法详解
基于Matlab-图像匹配——模板匹配.docx
03-22
1. 图像模板匹配实验代码如下： a=imread('b.jpg'); a1=imcrop(a); imwrite(a1,'moban.jpg','jpg'); %构建一个模板 pipeitu=imread('moban.jpg');%读取模板图像 yuantu2gray=rgb2gray(yuantu);%将原图灰度化 ...
MATLAB试验之模板匹配.rar_matlab模板匹配_傅里叶 匹配_图像生成_模板匹配_模板匹配MATLAB
07-14
Matlab 模板匹配 1、先处理模板，把模板转化成一个（800，600）的二值图像，再做一个匹配图像（图像中包含五个物体，其中有两个与模板图像一个图形，其他三个图形任意且要与模板图像有明显的差别）；并转化为一个...
基于工业检测的图像模板匹配算法
06-03
图像模板匹配算法在工业检测中应用广泛，可以用于检测产品的质量、判断产品的状态、定位物体等任务。下面介绍一些基于工业检测的图像模板匹配算法。 1. 形态学模板匹配算法：该算法是基于形态学操作的图像匹配算法，它可以对物体进行形态学处理，然后通过形态学变换将模板匹配到图像中。该算法鲁棒性较好，对光照变化和噪声有一定的容错能力。 2. 基于SIFT算法的图像匹配算法：该算法是一种基于特征点的图像匹配算法，它可以检测图像中的关键特征点，并通过特征点的匹配来实现图像匹配。SIFT算法对旋转、尺度、光照等变化都有一定的鲁棒性，适用于处理较为复杂的图像。 3. 基于SURF算法的图像匹配算法：该算法是一种基于特征点的图像匹配算法，与SIFT算法相似，但是速度更快，对光照、旋转、尺度等变化有较好的鲁棒性。 4. 基于深度学习的图像匹配算法：该算法是一种通过卷积神经网络学习特征表示的图像匹配算法，它可以自动学习图像中的特征表示，并实现图像匹配任务。该算法需要大量的训练数据和计算资源，但是在某些场景下，能够取得较好的效果。 以上这些算法都可以应用于工业检测中的图像模板匹配任务，但是具体选择哪种算法应该根据具体场景和数据情况进行选择。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

听风吹等浪起

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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