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？
  • 2、原理
• 二、单模板匹配（代码实现）
• • 1、预处理
  • [2、 开始模板匹配并绘制匹配位置的外接矩形](#2、 开始模板匹配并绘制匹配位置的外接矩形)
• 三、多模板匹配（代码实现）
• • 1、读取图片和模板
  • 2、模板匹配
  • 3、设置阈值
  • • 1）阈值设置原理：
    • 2）threshold=0.9
    • [3）loc = np.where(res >= threshold)](#3）loc = np.where(res >= threshold))
    • [4）for pt in zip(*loc[::-1]):  cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)](#4）for pt in zip(*loc[::-1]):  cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1))
  • 4、运行结果

---

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

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

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

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

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

---