本系列文章是学习《机器学习实践指南 案例应用分析 第2版》的笔记。
图像匹配算法是基于像素的比较和计算来实现的方法。
1. 差分矩阵求和
差 分 矩 阵 = 图 像 A 矩 阵 数 据 − 图 像 B 矩 阵 数 据 差分矩阵 = 图像A矩阵数据 - 图像B矩阵数据 差分矩阵=图像A矩阵数据−图像B矩阵数据
差分算法的核心在于差分矩阵,实质为差异矩阵。
算法过程是:
首先,计算两个图像的矩阵数据之间差异分析图像的相似性;然后,设置一个阈值进行比较,如果差分矩阵的所有元素之和在阈值以内,则表示这两张图像是相似的,且描述了同一物体。
它要求两个图像大小相同。
# - * - coding: utf-8 - * -
# 简单定位图像
import cv2
import numpy as np
print('loading')
def showpiclocation(img,findimg):
# 定位图像
w = img.shape[1]
h = img.shape[0]
fw = findimg.shape[1]
fh = findimg.shape[0]
findpt = None
for now_h in range(0,h-fh):
for now_w in range(0, w-fw):
comp_tz = img[now_h:now_h+fh,now_w:now_w+fw,:]-findimg
if np.sum(comp_tz) <1:
findpt = now_w,now_h
print('.',)
if findpt != None:
print('fw is %d' % fw)
cv2.rectangle(img, findpt, (findpt[0]+fw, findpt[1]+fh),(255,0,0))
return img
fn = 'big.png'
fn1 = 'small.png'
myimg = cv2.imread(fn)
myimg1 = cv2.imread(fn1)
myimgf = showpiclocation(myimg,myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimgf)
cv2.waitKey()
cv2.destroyAllWindows()
结果:
使用示例图片是可以的,但使用其它图片没有成功。暂时不知道为什么。
原图:
2. 差分矩阵均值
当数字图像质量较差时,则需要计算差分矩阵的均值,并为均值设一个适当的阈值。
# - * - coding: utf-8 - * -
# 少量噪声定位图像
import cv2
import numpy as np
print('loading...')
def showpiclocation(img,findimg):
# 定位图像
w = img.shape[1]
h = img.shape[0]
fw = findimg.shape[1]
fh = findimg.shape[0]
findpt = None
for now_h in range(0,h-fh):
for now_w in range(0,w-fw):
comp_tz = img[now_h:now_h+fh,now_w:now_w+fw,:]-findimg
if abs(np.mean(comp_tz))<20: //差分矩阵的阈值
findpt=now_w,now_h
print('ok')
print ('.')
if findpt != None:
cv2.rectangle(img,findpt,(findpt[0]+fw, findpt[1]+fh),(0,0,255))
return img
def addnoise(img):
coutn = 5000
for k in range(0,coutn):
xi = int(np.random.uniform(0,img.shape[1]))
xj = int(np.random.uniform(0,img.shape[0]))
img[xj,xi,0] = 255*np.random.rand()
img[xj,xi,1] = 255*np.random.rand()
img[xj,xi,2] = 255*np.random.rand()
fn = 'big.png'
fn1 = 'small.png'
myimg = cv2.imread(fn)
myimg1 = cv2.imread(fn1)
addnoise(myimg)
myimgf = showpiclocation(myimg,myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimgf)
cv2.waitKey()
cv2.destroyAllWindows()
差分矩阵的阈值一般为10~200,阈值越大,能容忍的噪声点越多。如果阈值超过200,最好使用欧氏距离算法。