模板匹配应用(opencv的妙用)

在图像处理领域,模板匹配是一种常用的技术,用于在一幅大图中寻找与给定模板最匹配的区域。OpenCV作为一个强大的计算机视觉库,提供了cv2.matchTemplate()函数来实现模板匹配功能。本文将详细介绍OpenCV中的模板匹配技术,包括其原理、使用方法以及实际应用场景。

目录

模板匹配原理

匹配方法

使用方法

加载图像

模板匹配

查找匹配位置

绘制匹配结果


模板匹配原理

模板匹配的基本思想是将模板图像在目标图像上滑动,并计算每个位置的相似度。通过比较模板图像与目标图像对应区域的相似度,找到相似度最高的位置即为匹配位置。模板匹配的计算方法有多种,OpenCV中提供了六种不同的匹配方法。

匹配方法

  1. TM_SQDIFF:计算平方差,值越小表示越相关。
  2. TM_SQDIFF_NORMED:归一化平方差匹配,值越接近0表示越相关。
  3. TM_CCORR:计算相关性,值越大表示越相关。
  4. TM_CCORR_NORMED:归一化相关性匹配,值越接近1表示越相关。
  5. TM_CCOEFF:计算相关系数,值越大表示越相关。
  6. TM _CCOEFF_NORMED:归一化相关系数匹配,值越接近1表示越相关。

使用方法

加载图像

首先,需要加载目标图像和模板图像。使用cv2.imread()函数读取图像文件。

python 复制代码
import cv2  
  
# 加载目标图像和模板图像  
target_img = cv2.imread('target.jpg')  
template_img = cv2.imread('template.jpg')

模板匹配

然后,使用cv2.matchTemplate()函数进行模板匹配。该函数会返回一个匹配结果矩阵,矩阵中的每个元素表示模板图像在目标图像上对应位置的匹配程度。

python 复制代码
# 使用平方差匹配算法  
result = cv2.matchTemplate(target_img, template_img, cv2.TM_SQDIFF)

查找匹配位置

通过cv2.minMaxLoc()函数在匹配结果矩阵中找到最小值(对于平方差匹配)或最大值(对于其他匹配方法)的位置,即为匹配位置。

python 复制代码
# 查找最小值及其位置  
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)  
  
# 对于平方差匹配,取最小值位置  
top_left = min_loc  
  
# 计算匹配区域的右下角坐标  
bottom_right = (top_left[0] + template_img.shape[1], top_left[1] + template_img.shape[0])

绘制匹配结果

最后,在目标图像上绘制矩形框来表示匹配位置。

python 复制代码
# 绘制矩形框  
cv2.rectangle(target_img, top_left, bottom_right, (0, 255, 0), 2)  
  
# 显示结果图像  
cv2.imshow('Result', target_img)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

实例:

python 复制代码
import cv2
import numpy as np

img_rgb = cv2.imread('example.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
tem = cv2.imread('jiant.jpg', 0)
for i in [0, 1, 2, 3]:#通过循环,使用 np.rot90(tem, i) 对模板图像进行旋转,其中 i 的值从0到3变
                      #化,分别对应0度、90度、180度、270度的旋转。
    template = np.rot90(tem, i)
    h, w = template.shape[:2]

    res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
  #对每次旋转后的模板图像,使用 cv2.matchTemplate() 函数在 img_gray(灰度目标图像)上进行模板匹
#配。这里使用的是 cv2.TM_CCOEFF_NORMED 方法,它计算归一化相关系数,值越接近1表示匹配度越高。
    threshold = 0.9#通过设置阈值 threshold = 0.9,筛选出匹配度大于或等于该阈值的所有位置。
    loc = np.where(res >= threshold)
#使用 np.where(res >= threshold) 找到这些位置,并使用 zip(*loc[::-1]) 转换坐标格式,因为 loc 返#回的是 (y, x) 坐标,而 OpenCV 中的图像坐标是 (x, y)。
    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)
#使用 cv2.imshow('res', img_rgb) 显示标记了匹配区域的图像。
cv2.imshow('res', img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果:

相关推荐
肥猪猪爸几秒前
使用卡尔曼滤波器估计pybullet中的机器人位置
数据结构·人工智能·python·算法·机器人·卡尔曼滤波·pybullet
大白要努力!几秒前
Android opencv使用Core.hconcat 进行图像拼接
android·opencv
LZXCyrus29 分钟前
【杂记】vLLM如何指定GPU单卡/多卡离线推理
人工智能·经验分享·python·深度学习·语言模型·llm·vllm
我感觉。1 小时前
【机器学习chp4】特征工程
人工智能·机器学习·主成分分析·特征工程
YRr YRr1 小时前
深度学习神经网络中的优化器的使用
人工智能·深度学习·神经网络
DieYoung_Alive1 小时前
一篇文章了解机器学习(下)
人工智能·机器学习
夏沫的梦1 小时前
生成式AI对产业的影响与冲击
人工智能·aigc
goomind1 小时前
YOLOv8实战木材缺陷识别
人工智能·yolo·目标检测·缺陷检测·pyqt5·木材缺陷识别
只怕自己不够好1 小时前
《OpenCV 图像基础操作全解析:从读取到像素处理与 ROI 应用》
人工智能·opencv·计算机视觉
幻风_huanfeng1 小时前
人工智能之数学基础:线性代数在人工智能中的地位
人工智能·深度学习·神经网络·线性代数·机器学习·自然语言处理