OpenCV模板匹配

2024-01-19 23:23:46

文章目录

模板匹配得概念介绍

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)。
举个例子，我们对Lena的脸部进行模板匹配，如下图所示：

#相关代码
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2] 
#输出图形大小
img.shape
(263, 263)
template.shape
(110, 85)

模板匹配的几种常见算法

TM_SQDIFF：计算平方不同，计算出来的值越小，越相关。
TM_CCORR：计算相关性，计算出来的值越大，越相关。
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关。
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关。
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关。

紧接上一节的那个小demo，我们先指定一个method的列表，然后使用模板匹配函数。

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape
(154, 179)

因为通过滑动窗口的匹配过程非常麻烦，所以这里OpenCV提供cv2.minMaxLoc()函数，输入计算出的矩阵大小直接返回出四个值，代码如下：

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
#最小值
min_val
39168.0
#最大值
max_val
74403584.0
#最小值坐标位置
min_loc
(107, 89)
#最大值坐标位置
max_loc
(159, 62)

这些取值的用法在于之间选用的模板，例如选择cv2.TM_SQDIFF这种方法，根据之前官网上的定义：值越小，越相关。故最终我们使用min_loc这个值。
总结：再做模板匹配的时候，我们尽量使用归一化的方法。例如：cv2.TM_SQDIFF_NORMED，cv2.TM_CCOEFF_NORMED等。

匹配效果展示

匹配一个对象

相关代码展示：

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    print (method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)

    # 画矩形
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

显示结果
总结：凡是带归一化的，匹配效果都相当不错。

匹配多个对象

相关代码展示

#这个是马里奥金币匹配的代码块
img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
#匹配多个对象时需要设置一个阈值
threshold = 0.8
# 取匹配程度大于%80的坐标，np.where寻找坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

效果展示图：

码农公寓

文章目录

模板匹配得概念介绍

模板匹配的几种常见算法

匹配效果展示

匹配一个对象

匹配多个对象

相关文章