图像模板匹配 opencv c++实现

最新推荐文章于 2024-07-16 17:40:16 发布
最新推荐文章于 2024-07-16 17:40:16 发布
阅读量1.6k 收藏 16
点赞数 1
分类专栏： 数字图像处理 文章标签： opencv c++ 人工智能
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/weixin_43340536/article/details/131668639
版权

图像模板匹配

原理

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：
在这里插入图片描述

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

在这里插入图片描述

2、归一化平方差匹配法method=TM_SQDIFF_NORMED

在这里插入图片描述

3、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；

在这里插入图片描述

4、归一化相关匹配法method=TM_CCORR_NORMED

在这里插入图片描述

5、系数匹配法method=TM_CCOEFF

这类方法将模板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表示糟糕匹配，而0表示没有任何相关性；

在这里插入图片描述

6、归一化相关系数匹配法method=TM_CCOEFF_NORMED

![在这里插入图片描述](https://img-blog.csdnimg.cn/ce540e95b3f6408995cab30eb470cc1d.png

代码实现

平方差匹配法

//平方差匹配法
void ColorMatch_TM_SQDIFF(const Mat &img, const Mat &templ) {
	//判断图像是否存在
	if (img.empty() || templ.empty()) {
		cout << "Error: Input image or template is empty." << endl;
		return;
	}
	//判断图像是否是彩色图像
	if (img.channels() != 3 || templ.channels() != 3) {
		cout << "Error: Both input image and template must be color images." << endl;
		return;
	}

	int result_cols = img.cols - templ.cols + 1;//移动的列数
	int result_rows = img.rows - templ.rows + 1;//移动的行数

	cv::Mat result(result_rows, result_cols, CV_32FC1);//存储平方差结果     CV_32FC1 32bites   F 单精度浮点数  C1 通道数1
	result.setTo(Scalar::all(0));//初始化为0

	for (int y = 0; y < result_rows; ++y) {
		for (int x = 0; x < result_cols; ++x) {
			float sqdiff = 0.0f;

			for (int j = 0; j < templ.rows; ++j) {
				for (int i = 0; i < templ.cols; ++i) {
					Vec3b img_pixel = img.at<Vec3b>(y + j, x + i);//Vec3b 长度为3的unchar类型向量
					Vec3b templ_pixel = templ.at < Vec3b>(j, i);

					for (int k = 0; k < 3; ++k) {
						float diff = static_cast<float>(img_pixel[k]) - static_cast<float>(templ_pixel[k]);//计算平方差
						sqdiff += diff * diff;//累加
					}
				}
			}

			result.at<float>(y, x) = sqdiff;//记录结果
		}
	}
	double minVal;//最小值
	Point minLoc;//最小值所在位置
	minMaxLoc(result, &minVal, nullptr, &minLoc, nullptr);//在数组中寻找全局最大最小值

	Mat img_display;
	img.copyTo(img_display);
	rectangle(img_display, minLoc, Point(minLoc.x + templ.cols, minLoc.y + templ.rows), Scalar(0, 255, 0), 2);
	imshow("SQDIFF", img_display);
	waitKey(0);
}

归一化平方差匹配法

//归一化平方差匹配法
void  ColorMatch_TM_SQDIFF_NORMED(const cv::Mat& image, const cv::Mat& templ) {
	int result_cols = image.cols - templ.cols + 1;
	int result_rows = image.rows - templ.rows + 1;

	cv::Mat result(result_rows, result_cols, CV_32FC1);

	for (int i = 0; i < result_rows; i++) {
		for (int j = 0; j < result_cols; j++) {
			cv::Rect roi(j, i, templ.cols, templ.rows);
			cv::Mat image_roi = image(roi);

			cv::Mat diff;
			cv::absdiff(image_roi, templ, diff);

			cv::Mat sqdiff;
			cv::pow(diff, 2, sqdiff);

			double sum_sqdiff = cv::sum(sqdiff)[0];
			double norm_factor = sqrt(cv::sum(image_roi.mul(image_roi))[0] * cv::sum(templ.mul(templ))[0]);

			result.at<float>(i, j) = static_cast<float>(sum_sqdiff / norm_factor);
		}
	}
	double minVal, maxVal;
	cv::Point minLoc, maxLoc;
	cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

	cv::rectangle(image, minLoc, cv::Point(minLoc.x + templ.cols, minLoc.y + templ.rows), cv::Scalar(0, 255, 0), 2);

	cv::imshow("SQDIFF_NORMED", image);
	cv::waitKey(0);

}

相关匹配法

//相关匹配方法
void  ColorMatch_TM_CCORR(const cv::Mat &img, const cv::Mat &templ)
{

	int result_cols = img.cols - templ.cols + 1;
	int result_rows = img.rows - templ.rows + 1;

	cv::Mat  result(result_rows, result_cols, CV_32FC1);

	for (int i = 0; i < result_rows; i++) {
		for (int j = 0; j < result_cols; j++) {
			float sum = 0.0;

			for (int k = 0; k < templ.rows; k++) {
				for (int l = 0; l < templ.cols; l++) {
					for (int c = 0; c < 3; c++) {
						sum += img.at<cv::Vec3b>(i + k, j + l)[c] * templ.at<cv::Vec3b>(k, l)[c];
					}
				}

				result.at<float>(i, j) = sum;
			}
		}
	}
	double minVal, maxVal;
	cv::Point minLoc, maxLoc;
	cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

	cv::rectangle(img, maxLoc, cv::Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), cv::Scalar(0, 255, 0), 2);

	cv::imshow("CCORR", img);
	cv::waitKey(0);

}

归一化相关匹配法

void  ColorMatch_TM_CCORR_NORMED(const cv::Mat &img, const cv::Mat &templ)
{   
	//创造结果矩阵
	int result_cols = img.cols - templ.cols + 1;
	int result_rows = img.rows - templ.rows + 1;
	cv::Mat result(result_rows, result_cols, CV_32FC1);

	for (int i = 0; i < result_rows; i++) {
		for (int j = 0; j < result_cols; j++) {
			float sum = 0.0;
			float img_norm = 0.0;
			float templ_norm = 0.0;

			for (int k = 0; k < templ.rows; k++) {
				for (int l = 0; l < templ.cols; l++) {
					for (int c = 0; c < 3; c++) {
						float img_val = img.at<cv::Vec3b>(i + k, j + l)[c];
						float templ_val = templ.at<cv::Vec3b>(k, l)[c];
						sum += img_val * templ_val;//img像素*模板像素
						img_norm += img_val * img_val;//img像素平方
						templ_norm += templ_val * templ_val;//templ像素平方
					}
				}
			}

			result.at<float>(i, j) = sum / std::sqrt(img_norm * templ_norm);
		}
	}
	double minVal, maxVal;
	cv::Point minLoc, maxLoc;
	cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

	cv::rectangle(img, maxLoc, cv::Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), cv::Scalar(0, 255, 0), 2);

	cv::imshow("CCORR_NORMED", img);
	cv::waitKey(0);
}

系数匹配法

//系数匹配法
void  ColorMatch_TM_CCOEFF(const cv::Mat &img, const cv::Mat &templ)
{
	//创造结果矩阵
	int result_cols = img.cols - templ.cols + 1;
	int result_rows = img.rows - templ.rows + 1;
	cv::Mat result(result_rows, result_cols, CV_32FC1);

	for (int i = 0; i < result_rows; i++) {
		for (int j = 0; j < result_cols; j++) {
			float sum = 0.0;
			float img_mean = 0.0;
			float templ_mean = 0.0;
			float sum1 = 0.0;

			//计算
			for (int k = 0; k < templ.rows; k++) {
				for (int l = 0; l < templ.cols; l++)
				{
					for (int c = 0; c < 3; c++) {
						img_mean += img.at<cv::Vec3b>(i + k, j + l)[c];//img像素之和
						templ_mean += templ.at<cv::Vec3b>(k, l)[c];//templ像素之和
					}
				}
			}
			img_mean /= (templ.rows * templ.cols * 3);//计算img像素均值 注意三通道
			sum1 = img_mean * templ_mean;//（img像素之和*temple像素之和）的均值

			for (int k = 0; k < templ.rows; k++) {
				for (int l = 0; l < templ.cols; l++) {
					for (int c = 0; c < 3; c++) {
						float img_val = img.at<cv::Vec3b>(i + k, j + l)[c] ;
						float templ_val = templ.at<cv::Vec3b>(k, l)[c] ;
						sum += img_val * templ_val;//计算img*templ之和
					}
				}
			}

			result.at<float>(i, j) = sum-sum1;
		}
	}
	double minVal, maxVal;
	cv::Point minLoc, maxLoc;
	cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

	cv::rectangle(img, maxLoc, cv::Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), cv::Scalar(0, 255, 0), 2);

	cv::imshow("CCOEFF", img);
	cv::waitKey(0);
}

归一化系数匹配法

void ColorMatch_TM_CCOEFF_NORMED(const Mat &img, const Mat &templ) {
	int result_cols = img.cols - templ.cols + 1;
	int result_rows = img.rows - templ.rows + 1;

	Mat result(result_rows, result_cols, CV_32FC1);

	for (int i = 0; i < result_rows; i++) {
		for (int j = 0; j < result_cols; j++) {
			float sum = 0.0;//记录最后结果
			float img_mean = 0.0;
			float img_mean1 = 0.0;//记录img图像像素之和平方的均值
			float templ_mean = 0.0;
			float templ_mean1 = 0.0;//记录templ图像像素之和平方的均值
			float sum1 = 0.0;//img像素之和*temple像素之和）的均值
			float sum2 = 0.0;//
			float img_val1 = 0.0;
			float templ_val1 = 0.0;
			//计算
			for (int k = 0; k < templ.rows; k++) {
				for (int l = 0; l < templ.cols; l++)
				{
					for (int c = 0; c < 3; c++) {
						img_mean += img.at<cv::Vec3b>(i + k, j + l)[c];//img像素之和
						templ_mean += templ.at<cv::Vec3b>(k, l)[c];//templ像素之和
					}
				}
			}
			img_mean1 =sqrt( img_mean) / (templ.rows * templ.cols * 3);// img图像像素之和平方的均值
			templ_mean1 = sqrt(templ_mean) / (templ.rows * templ.cols * 3);// templ图像像素之和平方的均值
			img_mean /= (templ.rows * templ.cols * 3);//计算img像素均值 注意三通道
			sum1 = img_mean * templ_mean;//（img像素之和*temple像素之和）的均值

			for (int k = 0; k < templ.rows; k++) {
				for (int l = 0; l < templ.cols; l++) {
					for (int c = 0; c < 3; c++) {
						float img_val = img.at<cv::Vec3b>(i + k, j + l)[c];//img像素之和
						 img_val1 += sqrt(img.at<cv::Vec3b>(i + k, j + l)[c]);//img像素之和的平方
						float templ_val = templ.at<cv::Vec3b>(k, l)[c];
						 templ_val1 += sqrt( templ.at<cv::Vec3b>(k, l)[c]);
						sum += img_val * templ_val;//计算img*templ之和
					}
				}
			}
			sum2 = std::sqrt(img_val1-img_mean1 )+ std::sqrt(templ_val1 - templ_mean1);
			result.at<float>(i, j) = (sum - sum1)/sum2;
		}
	}


	double minVal, maxVal;
	Point minLoc, maxLoc;
	minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

	rectangle(img, maxLoc, Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), Scalar(0, 255, 0), 2);

	double bestMatchThresh = 0.95;  // 设置匹配度的阈值

	if (maxVal >= bestMatchThresh) {
		rectangle(img, maxLoc, Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), Scalar(0, 255, 0), 2);
	}

	imshow("CCOEFF_NORMED", img);
	waitKey(0);
}

结果

原图像
在这里插入图片描述

模板图像
在这里插入图片描述

平方差匹配法

自己实现

在这里插入图片描述

opencv

在这里插入图片描述

归一化平方差匹配法method=TM_SQDIFF_NORMED

自己实现

在这里插入图片描述

opencv

在这里插入图片描述

相关匹配法method=TM_CCORR

自己实现

在这里插入图片描述

opencv

在这里插入图片描述

归一化相关匹配法method=TM_CCORR_NORMED

自己实现

在这里插入图片描述

opencv

在这里插入图片描述

系数匹配法method=TM_CCOEFF

自己实现

在这里插入图片描述

opencv

在这里插入图片描述

归一化相关系数匹配法method=TM_CCOEFF_NORMED

自己实现

在这里插入图片描述

opencv

在这里插入图片描述

自写函数与opencv函数运行时间比较

方法自己实现函数运行时间 单位：秒opencv运行时间
平方差匹配法12.06540.125989
归一化平方差匹配法17.52970.0974526
相关匹配法14.73140.0990451
归一化相关系数匹配法19.4660.0715831
系数匹配法10.22260.096816
归一化系数匹配法29.15320.0979519
阿宇加油
关注
  • 1
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
openCV 图像特征点检测与匹配
cxzgood的博客
03-15 5552
基于opencv对图像进行特征点检测与匹配
基于c++实现图像的模板匹配
07-17
总的来说，通过C++和OpenCV库实现的模板匹配技术，能够有效地在大图像中查找与模板图像相似的区域。这不仅要求对图像处理的基础知识有深入理解，还需要掌握C++编程和OpenCV库的使用。通过实践和优化，可以实现更高效...
基于OpenCV的的图像旋转匹配算法模板（C++实现）
01-02
1.基于OpenCv的旋转匹配 基于OpenCv实现了模板图像的旋转匹配，此代码基于matchTemplate函数封装实现可以得知旋转角度的模板匹配（vs2013+opencv2.4.9） 2.带旋转的模板匹配的原理及算法实现(c++) 带旋转的模板匹配算法，能够匹配带旋转角度的模板。（VS 2015+OPENCV C++）
Opencv (C++)系列学习---模板匹配
qiaodahua的博客
11-16 4135
文章介绍了opencv(c++)中模板匹配算法cv::matchTemplate的具体参数含义和用法的实例，尤其对其匹配方法进行了具体介绍，以及在匹配后对结果的处理，通过minMaxLoc算子提取出匹配结果最好的点。
基于opencv的图像匹配
最新发布
python自动化学习记录
07-16 179
当图片太多的时候，你想要找出想要匹配的图片，还要一个一个去找，太麻烦了。所以研究了一下cv2这个模块。可以实现在一堆图片里找到你想要的图片。
Opencv——图像模板匹配
杨老师的小跟班(*∩_∩*)
09-16 6369
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。
OpenCV数字图像处理实战二：模板匹配（C++）
qq_43784519的博客
10-12 5982
这类方法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表示匹配很差，0表示没有任何相关性(随机序列)。（2）在待检测图像从左到右，从上到下计算模板图像与重叠子图像的匹配度，匹配度越高，两者相同的可能性越大。这类方法采用模板和图像间的乘法操作，所以较大的数表示匹配程度较高，0标识最坏的匹配效果。（1）首先需要一个模板图像 T（子图像）和一个待检测的图像（源图像 S）这类方法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。
图像处理中的模板匹配c++实现
热门推荐
wu_lian_nan的博客
08-16 1万+
一、理论基础 基于相关的模板匹配技术可直接用于在一幅图像中，寻找某种子图像模式。对于大小为MxN的图像f(x,y)和大小为JxK的子图像模式w(x,y),f与w的相关可表示为：其种，x=0,1,2,…N-K,y=0,1,2,…M-J。此处 的目的是寻找匹配而不是对f(x,y)进行滤波操作，因此w的原点被设置在子图像的左上角， 并且式(11-3) 给出的形式也完全适用于J和K 为偶数的情况。 计算
模板匹配_opencv_C++_模板匹配_
10-01
在这个项目中，我们将探讨如何使用OpenCV的C++ API进行模板匹配。 模板匹配的基本思想是计算目标图像的每一个子区域与模板图像之间的相似度。OpenCV使用不同的方法来衡量这种相似度，如SIFT、SURF或简单的像素级...
OpenCV实现图像模板匹配（C++实现）.zip
04-12
综上所述，OpenCV的图像模板匹配功能是通过`matchTemplate`函数实现的，它可以有效地在大图像中寻找与模板图像相匹配的区域。结合适当的预处理和参数调整，这个工具在多种计算机视觉任务中都有重要的应用价值。通过...
opencv金字塔模板匹配算法
07-09
**OpenCV 金字塔模板匹配算法**是计算机视觉领域中一种常用的技术，用于在大图像中寻找小图像（模板）的精确位置。这个算法的核心在于它利用了图像金字塔的概念，通过多尺度分析来提高搜索效率和匹配精度。OpenCV库...
C++ opencv模板匹配
weixin_46098612的博客
11-27 2084
模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域；模板匹配需要首先给定一个模板图像；另外需要一张待检测的图像；工作方法：在待检测图像上，从左到右，从上到下计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性越大。
Opencv-C++笔记 (17) : 模板匹配
jiyanghao19的博客
08-15 2549
通过得到的结果我们发现我们的模板匹配好像匹配区域与模板的尺寸是一致的，由此很容易产生误差，或是得到并不理想的区域，而在实际生活中，由于待测图像与摄像头之间的距离的变换，模板的大小因素的影响，若是想要得到较好的匹配结果，则需要我们实现自适应尺寸的模板匹配；由此，我们开始进行自适应尺寸的模板匹配，载入的模板图像，另其进入循环，每次循环缩放一定的比例，在进行模板匹配，最终我们得到了不同比例下的ROI区域，对所有的ROI区域与我们的模板图片进行相似度的比较，选出相似度最高的匹配图像，同时获得最佳的匹配比例；
[Opencv][C++]模板匹配--汇总
PangCoder的博客
04-12 1763
环境：VS2015 + opencv4.2.0 x64 自编译版本说明：1.支持单模板单目标匹配、单模板多目标匹配、单模板多目标多角度匹配2.容许度：match后的分数限制，可以根据需要自己调整3.单模板多目标多角度的匹配，建议尽量使用较大容许度4.使用金字塔采样创建模板，可以大大加快检测速度。
【图像配准】SIFT算法原理及二图配准拼接
兴趣使然的创作者
01-20 5018
Sift的原理和代码实践
基于OpenCv的图像特征匹配
L888666Q的博客
10-01 2325
图像特征检测SIFT算法介绍 DOG尺度空间构造（Difference of Gaussian） 关键点搜索与定位 SIFT的优点： 特征匹配 python代码实现
使用 OpenCV 对图像进行特征检测、描述和匹配
小白学视觉
07-16 2843
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达介绍在本文中，我将讨论使用 OpenCV 进行图像特征检测、描述和特征匹配的各种算法。首先，让我们看看什么是计算机视觉，OpenCV 是一个开源计算机视觉库。当人类看到这张图片时会发生什么？他将能够识别图像中的面孔。因此，简单来说，计算机视觉就是让计算机能够像人类一样查看和处理视觉数据。计算机视觉涉及分析图像以产生有用的信息。什...
OpenCV使用单目标匹配从图像中选择最佳的匹配结果及查找重复图像实战（附Python源码）
showswoller的博客
01-21 3339
OpenCV使用单目标匹配从图像中选择最佳的匹配结果及查找重复图像实战（附Python源码）
快速学会使用OpenCV进行图片模板匹配
AI_dataloads的博客
10-15 1322
是OpenCV库中的一个函数，用于进行模板匹配。它可以在一个给定的图像（源图像）中搜索与一个指定模板图像最相似的区域。具体来说，这个函数会将模板图像滑动遍历源图像的每一个像素点，比较模板图像与源图像每一个小区域的相似度，返回一个灰度图像，每一个像素值表示源图像中对应位置与模板的匹配程度。这个函数在图像处理和计算机视觉任务中，如目标检测、图像识别等，有着广泛的应用。image：这是待搜索的图像，也被称为源图像。templ：这是搜索模板，需要和源图像具有相同的数据类型，尺寸不能大于源图像。
opencv c++ 模板匹配
07-02
在 C++ 中，模板匹配是OpenCV中的一个重要功能，用于在一张图片中寻找与预定义模板最相似的部分。 **模板匹配的基本原理**： - 它涉及到将模板图像与目标图像进行像素级别的比较，通常用一种叫做“Correlation”或...
评论 3
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
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