c++ opencv求mat的最小值_opencv模板匹配识别logo

本文目的

目的：学习使用opencv的matchTemplate函数
语言：java
版本：opencv-410
简介：通过matchTemplate函数在一个图像中查找匹配的logo。
原图是以下的图片，一个百度首页图，我们要从中找出logo
这个方法应用场景很多，除了本案例中的logo识别，比如要在一堆图像中寻找指定人脸，就可以利用此算法在图像中找到此人脸的最佳匹配，确定相似度。

模板图：

分解介绍

函数：matchTemplate

matchTemplate

参数介绍

• image，第一个参数：待匹配的源图像
• templ，第二个参数：模板图像，要是和源图像一样的数据类型，并且尺寸不能大于源图像
• result,第三个参数：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.
• method,第四个参数：模板匹配的算法（6种）
• TM_SQDIFF：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_SQDIFF_NORMED：范化的cv::TM_SQDIFF，取值为0-1之间，完美匹配返回值为0；
• TM_CCORR：使用dot product计算匹配度（不清楚怎么计算dot product，不涉及原理），越高匹配度就好；
• TM_CCORR_NORMED：范化的cv::TM_CCORR，0-1之间
• TM_CCOEFF：采用模板与目标图像像素与各自图像的平均值计算dot product，正值越大匹配度越高，负值越大图像的区别越大，但如果图像没有明显的特征（即图像中的像素值与平均值接近）则返回值越接近0；
• TM_CCOEFF_NORMED：范化的cv::TM_CCOEFF，-1 ~ 1之间。
• mask，第五个参数，蒙版

程序步骤

以下是程序的核心步骤：

• 加载图像（原图，模板图，以及mask图），因为图像比较大，都做了等比缩小

srcImg 

• 执行匹配操作

Imgproc

• 归一化操作

归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。 归一化的目的简而言之，即归一化数据。是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。

//归一化

归一化核心参数说明： alpha：
range normalization模式的最小值。1,用来规范值，2.规范范围，并且是下限； beta：
只用来规范range normalization模式的最大值，不用于norm normalization(范数归一化)模式。 normType：
归一化的类型，可以有以下的取值： NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用。 NORM_INF: 此类型的定义没有查到，根据OpenCV 1的对应项，可能是归一化数组的C-范数(绝对值的最大值) NORM_L1 : 归一化数组的L1-范数(绝对值的和) NORM_L2: 归一化数组的(欧几里德)L2-范数 dtype：
dtype为负数时，输出数组的type与输入数组的type即大小、深度、通道数都相同；
否则，输出数组与输入数组只是通道数相同，其余地方由tpye决定。如tpye=CV_MAT_DEPTH(dtype). mask：
操作掩膜，选择感兴趣区域，选定后只能对该区域进行操作。

• 使用minMaxLoc（）在结果矩阵R中定位最小值和最大值Point matchLoc;

对于TM_SQDIFF和TM_SQDIFF_NORMED，最佳匹配是最低值。对于其他所有值，较高的值表示更好的匹配。因此，我们将相应的值保存在matchLoc变量中：

Core

• 绘制原图像和结果矩阵，并且在最佳匹配点画个圆圈

//显示源图像和结果矩阵。在尽可能高的匹配区域周围绘制一个矩形：

代码

package 

效果

匹配方法选择 TM_SQDIFF和_TM_SQDIFF_NORMED时_，最低亮度的是最匹配的位置，如图1和图二中的白色圆圈，如图，左侧原图中百度logo已经能识别出来。
图一：

图二：

其他几个匹配方法，最亮的位置是最像的，如下图
这张图识别错误

下面两张图最亮的位置分别识别正确