opencv模板匹配

NORMED的意思就是结果范围在[-1, 1]之间

cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED: `0 为最优,越大越差`,值越小越好

cv2.TM_CCORR, cv2.TM_CCORR_NORMED, cv2.TM_CCOEFF, cv2.TM_CCOEFF_NORMED: `越大越好`

复制代码
如果你使用的是 TM_SQDIFF 方法,那么确实需要使用灰度图像。这是因为 TM_SQDIFF 方法计算的是图像差异的平方和,而不是相关性。在这种情况下,你需要确保模板图像和待匹配图像都是灰度图像,以便正确计算差异。
如果你使用的是其他匹配方法(例如 TM_CCORR 或 TM_CCOEFF),则可以使用彩色图像。这些方法计算的是相关性或相关系数,而不涉及差异的平方和。

cv2.imread 是 OpenCV 中用于从指定文件加载图像的函数。第二个参数 flag 决定了图像的读取方式。在你提供的代码中,参数 0 表示将图像以灰度模式读取。

具体来说,这里的 0 对应以下标志:

  • cv2.IMREAD_GRAYSCALE:它指定以灰度模式加载图像。这意味着图像将被转换为单通道的灰度图像,每个像素的值在 0 到 255 之间,表示图像的亮度。这对于处理灰度图像或进行模板匹配等任务非常有用。

如果你想加载彩色图像,可以使用以下标志之一:

  • cv2.IMREAD_COLOR:加载彩色图像 ,忽略图像的透明度。这是默认标志,也可以用整数值 1 表示。

  • cv2.IMREAD_UNCHANGED:加载图像,包括透明通道 (如果有的话)。这对于处理带有 alpha 通道的图像很有用,也可以用整数值 -1 表示。

    method: TM_SQDIFF, 用minVal

    import cv2
    import numpy as np
    import matplotlib.pyplot as plt

    cat = cv2.imread('./aaaa.jpg', 0)
    template = cv2.imread('./template.png', 0)

    th, tw = template.shape[::]

    rv = cv2.matchTemplate(cat, template, cv2.TM_SQDIFF)

    minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(rv)

    topLeft = minLoc
    bottomRight = (topLeft[0] + tw, topLeft[1] + th)
    cv2.rectangle(cat, topLeft, bottomRight, 255, 2)

    plt.subplot(121), plt.imshow(rv, cmap='gray')
    plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
    plt.subplot(122), plt.imshow(cat, cmap='gray')
    plt.title('Detected Point'), plt.xticks([]), plt.yticks([])
    plt.show()

    TM_CCOEFF 方法, 越大越好,用maxVal
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt

    cat = cv2.imread('./cats.jpg', 0)
    template = cv2.imread('./tongue.png', 0)
    tw, th = template.shape[::-1]
    rv = cv2.matchTemplate(cat, template, cv2.TM_CCOEFF)

    minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(rv)
    topLeft = maxLoc

    bottomRight = (topLeft[0] + tw, topLeft[1] + th)
    cv2.rectangle(cat, topLeft, bottomRight, 255, 2)

    plt.subplot(121), plt.imshow(rv, cmap='gray')
    plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
    plt.subplot(122), plt.imshow(cat, cmap='gray')
    plt.title('Detected Point'), plt.xticks([]), plt.yticks([])
    plt.show()

相关推荐
PyAIExplorer1 小时前
图像梯度处理与边缘检测:OpenCV 实战指南
人工智能·opencv·计算机视觉
CoovallyAIHub1 小时前
单目深度估计重大突破:无需标签,精度超越 SOTA!西湖大学团队提出多教师蒸馏新方案
深度学习·算法·计算机视觉
CoovallyAIHub1 小时前
从FCOS3D到PGD:看深度估计如何快速搭建你的3D检测项目
深度学习·算法·计算机视觉
九章云极AladdinEdu1 小时前
华为昇腾NPU与NVIDIA CUDA生态兼容层开发实录:手写算子自动转换工具链(AST级代码迁移方案)
人工智能·深度学习·opencv·机器学习·华为·数据挖掘·gpu算力
Blue桃之夭夭1 小时前
基于OpenCV的实时人脸检测系统实现指南 ——Python+Haar级联分类器从环境搭建到完整部署
人工智能·python·opencv
presenttttt3 小时前
用Python和OpenCV从零搭建一个完整的双目视觉系统(四)
开发语言·python·opencv·计算机视觉
千宇宙航11 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第六课——测试图案的FPGA实现
图像处理·计算机视觉·fpga开发
jndingxin14 小时前
OpenCV 人脸分析----人脸识别的一个经典类cv::face::EigenFaceRecognizer
人工智能·opencv·计算机视觉
PyAIExplorer15 小时前
图像轮廓检测与绘制:OpenCV 实战指南
人工智能·opencv·计算机视觉
Dymc17 小时前
【目标检测之Ultralytics预测框颜色修改】
人工智能·yolo·目标检测·计算机视觉