《OpenCV计算机视觉》—— 模板匹配

文章目录

一、模板匹配简单介绍

  • 在Python中,模板匹配是一种在图像中查找与给定模板最相似区域的技术。

  • 模板匹配的基本步骤包括:

    • 1.加载图像和模板:首先,你需要加载你想要搜索的图像(通常称为"原图")和你想要匹配的模板图像。模板图像应该是原图中的一个较小部分。
    • 2.执行模板匹配 :使用OpenCV的cv2.matchTemplate()函数在原图上滑动模板,并计算每个位置的匹配度。这个函数会返回一个矩阵,其中每个元素表示模板在原图对应位置上的匹配程度。
    • 3.查找最佳匹配 :使用cv2.minMaxLoc()函数在匹配度矩阵中找到最大值(或最小值,取决于你使用的匹配方法)及其位置。这个位置就是模板在原图中最佳匹配的位置。
    • 4.在原图上绘制匹配区域:为了可视化结果,你可以在原图上绘制一个矩形来标记匹配到的区域。

二、三个主要函数的介绍

1.执行模板匹配函数-cv2.matchTemplate()

  • result = cv2.matchTemplate(image, template, method, mask=None)
  • 参数说明:
    • image:要在其中搜索模板的原图像。
    • template:要在原图中搜索的模板图像。它应该比原图小。
    • method :用于比较模板和原图的区域的匹配方法,OpenCV 提供了几种不同的方法:
      • TM_SQDIFF :平方差匹配法:该方法采用平方差来进行匹配;匹配越好,值越小;匹配越差,值越大。
      • TM_CCORR :相关匹配法:该方法采用乘法作;数值越大表明匹配程度越好。
      • TM_CCOEFF :相关系数匹配法:数值越大表明匹配程度越好。
      • TM_SQDIFF_NORMED :归一化平方差匹配法,匹配越好,值越小;匹配越差,值越大。
      • TM_CCORR_NORMED :归一化相关匹配法,数值越大表明匹配程度越好。
      • TM_CCOEFF_NORMED :归一化相关系数匹配法,数值越大表明匹配程度越好。
  • 返回值 result 是一个矩阵,其大小取决于原图和模板的大小以及使用的匹配方法。矩阵中的每个元素都表示模板在原图对应位置上的匹配程度。对于某些方法(如平方差匹配),值越小表示匹配程度越高;而对于其他方法(如相关匹配),值越大表示匹配程度越高。

2.查找最佳匹配函数-cv2.minMaxLoc()

  • minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(src, mask=None)

  • 参数说明:

    • src:输入的二维数组(如灰度图像或匹配结果矩阵)。
    • mask:一个与 src 相同大小的掩码图像,用于指定 src 中哪些区域应该被考虑(通常不用)。
  • 返回值:

    • minVal:数组中的最小值。
    • maxVal:数组中的最大值。
    • minLoc:最小值的坐标(一个二元组,(x, y))。
    • maxLoc:最大值的坐标(一个二元组,(x, y))。

3.在原图上绘制匹配区域函数-cv2.rectangle()

  • cv2.rectangle(img, pt1, pt2, color, thickness=None, lineType=None, shift=None)

  • 参数说明:

    • img:要在其上绘制矩形的图像。这应该是一个单通道(灰度)图像或三通道(彩色)图像。
    • pt1:矩形的一个角的坐标,这是一个二元组(tuple),格式为 (x, y)。
    • pt2:矩形对角线上的另一个角的坐标,也是一个二元组,格式为 (x, y)。注意,这个对角线上的点不需要是矩形的右下角或右上角,它只需要与 pt1 形成对角线即可。
    • color:矩形的颜色。对于灰度图像,这是一个介于0(黑色)和255(白色)之间的标量。对于彩色图像,这是一个三元组,分别代表蓝色、绿色和红色的强度,值的范围也是从0到255。
    • thickness:线条的粗细(可选)。如果设置为 -1,则填充矩形。默认值是 1。
    • lineType:线条的类型(可选)。例如,cv2.LINE_8 表示8连接线,cv2.LINE_AA 表示抗锯齿线。如果未指定,则默认为 cv2.LINE_8。
    • shift:坐标点和线条粗细的小数位数(可选)。这个参数通常保持为默认值 0。
  • 返回绘制好的图片

三、代码实现

python 复制代码
import cv2

# 读取原图和标签图
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
# 显示原图和标签图
cv2.imshow('kele', kele)
cv2.imshow('template', template)

# 进行模板匹配
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)  # 返回匹配结果的矩阵

# 查找最佳匹配
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值,以及最小值坐标和最大值坐标
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最佳匹配位置(数组)中的:最小值、最大值、最小值坐标、最大值坐标
top_left = max_loc  # 左上角点的坐标就是最大值位置的坐标
h, w = template.shape[:2]  # 获取标签图的高和宽
bottom_right = (top_left[0] + w, top_left[1] + h)  # 右下角点的坐标
# 绘制矩形
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)

# 显示绘制后的原图
cv2.imshow('kele_template', kele_template)

# 等待任意键按下后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()
  • 结果如下
相关推荐
Tianyanxiao12 分钟前
如何利用探商宝精准营销,抓住行业机遇——以AI技术与大数据推动企业信息精准筛选
大数据·人工智能·科技·数据分析·深度优先·零售
撞南墙者19 分钟前
OpenCV自学系列(1)——简介和GUI特征操作
人工智能·opencv·计算机视觉
OCR_wintone42120 分钟前
易泊车牌识别相机,助力智慧工地建设
人工智能·数码相机·ocr
王哈哈^_^41 分钟前
【数据集】【YOLO】【VOC】目标检测数据集,查找数据集,yolo目标检测算法详细实战训练步骤!
人工智能·深度学习·算法·yolo·目标检测·计算机视觉·pyqt
一者仁心1 小时前
【AI技术】PaddleSpeech
人工智能
是瑶瑶子啦1 小时前
【深度学习】论文笔记:空间变换网络(Spatial Transformer Networks)
论文阅读·人工智能·深度学习·视觉检测·空间变换
EasyCVR1 小时前
萤石设备视频接入平台EasyCVR多品牌摄像机视频平台海康ehome平台(ISUP)接入EasyCVR不在线如何排查?
运维·服务器·网络·人工智能·ffmpeg·音视频
柳鲲鹏1 小时前
OpenCV视频防抖源码及编译脚本
人工智能·opencv·计算机视觉
西柚小萌新1 小时前
8.机器学习--决策树
人工智能·决策树·机器学习
向阳12181 小时前
Bert快速入门
人工智能·python·自然语言处理·bert