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(Mat image, Mat templ, Mat result, int method, Mat mask)

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 = Imgcodecs.imread(FileLoadUtils.getFilePath("static/baidu.png"), Imgcodecs.IMREAD_COLOR);Imgproc.resize(srcImg,srcImg,new Size(srcImg.width()/2,srcImg.height()/2));templ = Imgcodecs.imread(FileLoadUtils.getFilePath("static/template.png"), Imgcodecs.IMREAD_COLOR);Imgproc.resize(templ,templ,new Size(templ.width()/2,templ.height()/2));

· 执行匹配操作

Imgproc.matchTemplate(srcImg, templ, result, match_method);

· 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Core.normalize(result, result, 0, 1, Core.NORM_MINMAX, -1, new Mat());

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.MinMaxLocResult mmr = Core.minMaxLoc(result);if (match_method == Imgproc.TM_SQDIFF || match_method == Imgproc.TM_SQDIFF_NORMED) {matchLoc = mmr.minLoc;} else {matchLoc = mmr.maxLoc;}

· 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：Imgproc.rectangle(img_display, matchLoc, new Point(matchLoc.x + templ.cols(), matchLoc.y + templ.rows()),new Scalar(0, 0, 0), 2, 8, 0);Imgproc.rectangle(result, matchLoc, new Point(matchLoc.x + templ.cols(), matchLoc.y + templ.rows()),new Scalar(0, 0, 0), 2, 8, 0);Imgproc.circle(result,new Point(matchLoc.x,matchLoc.y),7,new Scalar(255,0,0));

代码

package com.joe.vision.machine.vision.samples;import org.opencv.core.Point;import org.opencv.core.*;import org.opencv.highgui.HighGui;import org.opencv.imgcodecs.Imgcodecs;import org.opencv.imgproc.Imgproc;import javax.swing.*;import javax.swing.event.ChangeEvent;import javax.swing.event.ChangeListener;import java.awt.*;import java.io.FileNotFoundException;import java.util.Hashtable;/*** 模式匹配学习*/class MatchTemplateDemoRun implements ChangeListener {Boolean use_mask = false;Mat srcImg = new Mat(), templ = new Mat();Mat mask = new Mat();int match_method;JLabel imgDisplay = new JLabel(), resultDisplay = new JLabel(), templateDisplay = new JLabel();public static void main(String[] args) throws FileNotFoundException {// load the native OpenCV librarySystem.loadLibrary(Core.NATIVE_LIBRARY_NAME);// run codenew MatchTemplateDemoRun().run(args);}public void run(String[] args) throws FileNotFoundException {//加载源图像，模板，以及可选的(如果匹配方法支持)蒙版srcImg = Imgcodecs.imread(FileLoadUtils.getFilePath("static/baidu.png"), Imgcodecs.IMREAD_COLOR);Imgproc.resize(srcImg,srcImg,new Size(srcImg.width()/2,srcImg.height()/2));templ = Imgcodecs.imread(FileLoadUtils.getFilePath("static/template.png"), Imgcodecs.IMREAD_COLOR);Imgproc.resize(templ,templ,new Size(templ.width()/2,templ.height()/2));if (args.length > 2) {use_mask = true;mask = Imgcodecs.imread(args[2], Imgcodecs.IMREAD_COLOR);}if (srcImg.empty() || templ.empty() || (use_mask && mask.empty())) {System.out.println("Can't read one of the images");System.exit(-1);}matchingMethod();createJFrame();}/*** 模式匹配*/private void matchingMethod() {Mat result = new Mat();Mat img_display = new Mat();//复制原图像srcImg.copyTo(img_display);int result_cols = srcImg.cols() - templ.cols() + 1;int result_rows = srcImg.rows() - templ.rows() + 1;result.create(result_rows, result_cols, CvType.CV_32FC1);//执行模板匹配操作Boolean method_accepts_mask = (Imgproc.TM_SQDIFF == match_method || match_method == Imgproc.TM_CCORR_NORMED);if (use_mask && method_accepts_mask) {Imgproc.matchTemplate(srcImg, templ, result, match_method, mask);} else {Imgproc.matchTemplate(srcImg, templ, result, match_method);}//归一化Core.normalize(result, result, 0, 1, Core.NORM_MINMAX, -1, new Mat());//使用minMaxLoc()在结果矩阵R中定位最小值和最大值Point matchLoc;Core.MinMaxLocResult mmr = Core.minMaxLoc(result);//对于前两种方法(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：if (match_method == Imgproc.TM_SQDIFF || match_method == Imgproc.TM_SQDIFF_NORMED) {matchLoc = mmr.minLoc;} else {matchLoc = mmr.maxLoc;}//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：Imgproc.rectangle(img_display, matchLoc, new Point(matchLoc.x + templ.cols(), matchLoc.y + templ.rows()),new Scalar(0, 0, 0), 2, 8, 0);Imgproc.rectangle(result, matchLoc, new Point(matchLoc.x + templ.cols(), matchLoc.y + templ.rows()),new Scalar(0, 0, 0), 2, 8, 0);Imgproc.circle(result,new Point(matchLoc.x,matchLoc.y),7,new Scalar(255,0,0));Image tmpImg = HighGui.toBufferedImage(img_display);ImageIcon icon = new ImageIcon(tmpImg);imgDisplay.setIcon(icon);result.convertTo(result, CvType.CV_8UC1, 255.0);tmpImg = HighGui.toBufferedImage(result);icon = new ImageIcon(tmpImg);resultDisplay.setIcon(icon);}@Overridepublic void stateChanged(ChangeEvent e) {JSlider source = (JSlider) e.getSource();if (!source.getValueIsAdjusting()) {match_method = source.getValue();matchingMethod();}}private void createJFrame() {String title = "Source image; Control; Result image";JFrame frame = new JFrame(title);int min = 0, max = 5;JPanel sliderPanel = new JPanel();sliderPanel.setLayout(new BoxLayout(sliderPanel, BoxLayout.PAGE_AXIS));//构造滑动条JSlider slider = buildSlider(min, max);templateDisplay.setIcon(new ImageIcon(HighGui.toBufferedImage(templ)));sliderPanel.add(slider);sliderPanel.add(new JLabel("template image:"));//展示模板图sliderPanel.add(templateDisplay);frame.getContentPane().add(sliderPanel, BorderLayout.PAGE_START);JPanel imgPanel = new JPanel();imgPanel.add(imgDisplay);imgPanel.add(resultDisplay);frame.getContentPane().add(imgPanel, BorderLayout.CENTER);frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);frame.pack();frame.setVisible(true);}private JSlider buildSlider(int min, int max) {JSlider slider = new JSlider(JSlider.HORIZONTAL, min, max, match_method);slider.setPaintTicks(true);slider.setPaintLabels(true);// Set the spacing for the minor tick markslider.setMinorTickSpacing(1);// Customizing the labelsHashtable labelTable = new Hashtable<>();labelTable.put(new Integer(0), new JLabel("0 - SQDIFF"));labelTable.put(new Integer(1), new JLabel("1 - SQDIFF NORMED"));labelTable.put(new Integer(2), new JLabel("2 - TM CCORR"));labelTable.put(new Integer(3), new JLabel("3 - TM CCORR NORMED"));labelTable.put(new Integer(4), new JLabel("4 - TM COEFF"));labelTable.put(new Integer(5), new JLabel("5 - TM COEFF NORMED : (Method)"));slider.setLabelTable(labelTable);slider.addChangeListener(this);return slider;}}

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

错误!未指定文件名。错误!未指定文件名。错误!未指定文件名。错误!未指定文件名。错误!未指定文件名。错误!未指定文件名。

下面两张图最亮的位置分别识别正确