识别技巧:
小图的选择,尽可能的选择最核心的部分,要保证大图里面每个元素有包含了小图
小图特点:小、每个图都能匹配到、取核心部分
匹配的几种方式:
1、TM_SQDIFF:平方差匹配;
TM_SQDIFF_NORMED:标准平方差匹配。
利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大。
2、TM_CCORR:相关性匹配;
TM_CCORR_NORMED:标准相关性匹配。
采用模板和图像间的乘法操作,数越大表示匹配程度较高, 0表示最坏的匹配效果。
3、TM_CCOEFF:相关性系数匹配;
TM_CCOEFF_NORMED:标准相关性系数匹配。
将模版对其均值的相对值与图像对其均值的相关值进行匹配,
1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。
总结:随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价)。
说明:
原图(大图):big.jpg
模板(小图):smart.jpg
importcv2importnumpy as npfrom matplotlib importpyplot as plt#原文:https://www.cnblogs.com/gezhuangzhuang/p/10724769.html#原文:https://blog.csdn.net/qq_21840201/article/details/85084621
#1. 读入原图和模板
img_rgb = cv2.imread('big.jpg')
img_gray=cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template= cv2.imread('smart.jpg', 0)
h, w= template.shape[:2]#归一化平方差匹配
res =cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold= 0.8
#返回res中值大于0.8的所有坐标#返回坐标格式(col,row) 注意:是先col后row 一般是(row,col)!!!
loc = np.where(res >=threshold)#loc:标签/行号索引 常用作标签索引#iloc:行号索引#loc[::-1]:取从后向前(相反)的元素#*号表示可选参数
for pt in zip(*loc[::-1]):
right_bottom= (pt[0] + w, pt[1] +h)print(pt)
cv2.rectangle(img_rgb, pt, right_bottom, (0, 0,255), 2)#保存处理后的图片
cv2.imwrite('res.png', img_rgb)#显示图片 参数:(窗口标识字符串,imread读入的图像)
cv2.imshow("test_image", img_rgb)#窗口等待任意键盘按键输入 0为一直等待 其他数字为毫秒数
cv2.waitKey(0)#销毁窗口 退出程序
cv2.destroyAllWindows()
用到的图片:
big.jpg
smart.jpg