OpenCV：模板匹配

小程序「跳一跳」的自动化。

 

主要涉及到了OpenCV的模板匹配和边缘检测技术，以及Android开发调试工具ADB。

 

如果放在一起说，感觉内容有些多。

 

所以，分三期来讲，也能多了解一些东西。

 

首先介绍模板匹配，然后边缘检测，最后结合ADB实现「跳一跳」自动化。

 

游戏虽然过时了，但是拿来练练手还是不错的。

 

编程就该是快乐的，哈哈。

 

 

/ 01 / 模板匹配

 

模板匹配，就是在整个图像区域里发现与给定子图像相匹配的小块区域。

 

这里需要一个模板图像(给定的子图像)和一个待检测的图像(原图像)。

 

在待检测图像上，从左向右，从上向下计算模板图像与重叠子图像的匹配度，匹配度越大，两者相同的可能性越大。

 

 

这里主要涉及OpenCV的cv2.matchTemplate()和cv2.minMaxLoc()函数。

 

第一个函数作用是在模板和输入图像之间寻找匹配，获得匹配结果图像。

 

第二个函数的作用则是在给定的矩阵中寻找最大和最小值(包括它们的位置)。

 

其中模板匹配算法有以下六种。

 

# 第一类,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

# 平方差匹配
method=CV_TM_SQDIFF

# 标准平方差匹配
method=CV_TM_SQDIFF_NORMED


# 第二类,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

# 相关匹配
method=CV_TM_CCORR

# 标准相关匹配
method=CV_TM_CCORR_NORMED


# 第三类,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)

# 相关系数匹配
method=CV_TM_CCOEFF

# 标准相关系数匹配
method=CV_TM_CCOEFF_NORMED

 

标准化意味着将数值统一到0~1。

 

除了平方差类型的是值越小越好，其他的都是值越大越好。

 

 

/ 02 / 图像检索

 

首先来看一下两张图像，都为灰度图。

 

import cv2

# 读取待检测图像
img = cv2.imread('game.png', 0)
# 读取模板图像
temple = cv2.imread('temple.png', 0)

# 显示灰度处理后的待检测图像
cv2.namedWindow('sample', 0)
cv2.resizeWindow('sample', 400, 600)
cv2.imshow('sample', img)

# 显示灰度处理后的模板图像
cv2.namedWindow('target', 0)
cv2.resizeWindow('target', 400, 600)
cv2.imshow('target', temple)

 

输出结果如下。

 

 

第一张为模板图像，第二张为待检测图像。

 

下面使用OpenCV的两个函数，来实现模板匹配。

 

# 获取模板图像的高和宽
th, tw = temple.shape[:2]
print(th, tw)

# 使用标准相关系数匹配,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
result = cv2.matchTemplate(img, temple, cv2.TM_CCOEFF_NORMED)

# result为匹配结果矩阵
# print(result)

# TM_CCOEFF_NORMED方法处理后的结果图像
cv2.namedWindow('match_r', 0)
cv2.resizeWindow('match_r', 400, 600)
# 显示窗口
cv2.imshow('match_r', result)

# 使用函数minMaxLoc,确定匹配结果矩阵的最大值和最小值(val)，以及它们的位置(loc)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

# 此处选取最大值的位置,为图像的左上角
tl = max_loc
# 获取图像的右下角
br = (tl[0]+tw, tl[1]+th)
# 绘制矩形框
cv2.rectangle(img, tl, br, (0, 0, 255), 2)

# 设置显示窗口
cv2.namedWindow('match', 0)
cv2.resizeWindow('match', 400, 600)
# 显示窗口
cv2.imshow('match', img)

# 结束
cv2.waitKey(0)
cv2.destroyAllWindows()

 

输出结果如下。

 

 

第一张图中最白的位置，即代表着最高的匹配。

 

第二张图中，矩形框则代表着匹配到的结果。

 

通过矩形框的位置参数，结合模板图像的大小，便可得到小跳棋中心点位置(底部)。

 

 

/ 03 / 总结

 

现在既然能检测到「跳一跳」小跳棋的位置，那么下一步就是方块的位置啦。

 

所以未完待续，下一篇边缘检测~