Opencv图像处理:模板匹配对象

文章目录


一、模板匹配

1、什么是模板匹配?

模板匹配是OpenCV中的一种图像处理技术,用于在一幅图像中查找与给定模板或样本图像最相似的区域。

2、原理

为了识别匹配区域,我们必须通过滑动来将模板图像与源图像进行比较:

一次移动一个像素(从左到右,从上到下)。在每个位置,都会计算一个度量(度量计算公式),以便它表示该位置的匹配"好"或"坏"程度。

模板从图片的左上角逐一进行匹配,针对每一个匹配位置(位置坐标是模板左上角坐标),都会根据 matchTemplate()函数设置的计算方法得到一个对应的得分值,不同的匹配方法数值大小的效果是不同的,找到最优的匹配结果返回。

函数API:

cv2.matchTemplate(image, templ, method, result=None, mask=None)

  • image:待搜索图像
  • templ:模板图像
  • method:计算匹配程度的方法,可以有:
  • 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:该方法采用乘法操作;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。
  • 返回匹配结果的矩阵,其中每个元素表示该位置与模板的匹配程度

二、单模板匹配(代码实现)

1、预处理

python 复制代码
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
cv2.imshow('kele',kele)
cv2.imshow('template',template)
cv2.waitKey(0)

2、 开始模板匹配并绘制匹配位置的外接矩形

python 复制代码
h, w = template.shape[:2]
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)   #返回匹配结果的矩阵,其中每个元素表示该位置与模板的匹配程度
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值,以及最小值的索引号和最大值的索引号
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最小值、最大值、最小值位置、最大值位置
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)  # 绘制矩形

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

三、多模板匹配(代码实现)

模板:

原图:

1、读取图片和模板

python 复制代码
img_rgb=cv2.imread('image.jpg')
img_gray=cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template=cv2.imread('tem.jpg',0)
h,w=template.shape[:2]

2、模板匹配

python 复制代码
def find_temp(temp):

    res=cv2.matchTemplate(img_gray,temp,cv2.TM_CCOEFF_NORMED)

    threshold=0.9
    loc=np.where(res>=threshold)

    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)


find_temp(template)

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

3、设置阈值

1)阈值设置原理:

在进行多对象匹配时,常常要设置阈值保证能够完全框选到对象,当阈值设置为0.9时,所有满足大于0.9的外接矩形都会被绘制出来,如果这个阈值数据设置的更小,那么符合条件的位置就越多,表现在图上的特征就是有更多的框,框的线更粗。

2)threshold=0.9

设定匹配阈值,表示匹配的相似度范围。

3)loc = np.where(res >= threshold)

获取匹配结果中所有符合阈值的点的坐标,返回索引,这里返回的是y值和x值坐标信息,条件为大于设定阈值的值的索引。

4)for pt in zip(*loc[::-1]):  cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)

  • loc数据倒序排列,变成x,y顺序状态,zip(*)表示将可迭代对象中对应的元素打包成一个元组,这里表示返回每个点的坐标。
  • 在原图上绘制匹配区域的矩形框,pt表示矩形左上角坐标,(pt[0]+w,pt[1]+h)表示右下角坐标。

4、运行结果


相关推荐
算家计算1 小时前
国产大模型问鼎全球:混元图像3.0登顶文生图榜单的启示
人工智能·开源·资讯
Rock_yzh1 小时前
AI学习日记——神经网络参数的更新
人工智能·python·深度学习·神经网络·学习
wa的一声哭了1 小时前
Stanford CS336 assignment1 | Transformer Language Model Architecture
人工智能·pytorch·python·深度学习·神经网络·语言模型·transformer
haidizym2 小时前
ssc-FinLLM 金融大模型 相关链接
人工智能·算法
cxr8282 小时前
AI智能体赋能文化传承与创新领域:社群身份认同的数字空间重构与文化融合策略
大数据·人工智能·重构·提示词工程·ai赋能
常州晟凯电子科技2 小时前
海思SS626开发笔记之环境搭建和SDK编译
人工智能·笔记·嵌入式硬件·物联网
Apifox.2 小时前
Apifox 9 月更新| AI 生成接口测试用例、在线文档调试能力全面升级、内置更多 HTTP 状态码、支持将目录转换为模块
前端·人工智能·后端·http·ai·测试用例·postman
武子康2 小时前
AI-调查研究-95-具身智能 机器人场景测试全解析:从极端环境仿真到自动化故障注入
人工智能·深度学习·机器学习·ai·机器人·自动化·具身智能
Light602 小时前
领码方案|微服务与SOA的世纪对话(3):方法论新生——DDD、服务网格与AI Ops的融合之道
运维·人工智能·微服务·ddd·soa·服务网格·ai ops