opencv 模板匹配

模板匹配

  • [1. 模板匹配](#1. 模板匹配)
  • [2. 匹配方法(cv2.matchTemplate())](#2. 匹配方法(cv2.matchTemplate()))
    • [2.1 平方差匹配(cv2.TM_SQDIFF)](#2.1 平方差匹配(cv2.TM_SQDIFF))
    • [2.2 归一化平方差匹配(cv2.TM_SQDIFF_NORMED)](#2.2 归一化平方差匹配(cv2.TM_SQDIFF_NORMED))
    • [2.3 相关匹配(cv2.TM_CCORR)](#2.3 相关匹配(cv2.TM_CCORR))
    • [2.4 归一化相关匹配(cv2.TM_CCORR_NORMED)](#2.4 归一化相关匹配(cv2.TM_CCORR_NORMED))
    • [2.5 相关系数匹配(cv2.TM_CCOEFF)](#2.5 相关系数匹配(cv2.TM_CCOEFF))
    • [2.6 归一化相关系数匹配(cv2.TM_CCOEFF_NORMED)](#2.6 归一化相关系数匹配(cv2.TM_CCOEFF_NORMED))

1. 模板匹配

模板匹配就是用模板图(通常是一个小图)在目标图像(通常是一个比模板图大的图片)中不断的滑动比较,通过某种比较方法来判断是否匹配成功。

2. 匹配方法(cv2.matchTemplate())

res=cv2.matchTemplate(image,templ,method)

参数说明:

  • image:原图像,这是一个灰度图像或彩色图像(在这种情况下,匹配将在每个通道上独立进行)。

  • templ:模板图像,也是灰度图像或与原图像相同通道数的彩色图像。

  • method:匹配方法,可以是以下之一:

    • cv2.TM_CCOEFF 相关系数匹配
    • cv2.TM_CCOEFF_NORMED 归一化相关系数匹配
    • cv2.TM_CCORR 相关匹配
    • cv2.TM_CCORR_NORMED 归一化相关匹配
    • cv2.TM_SQDIFF 平方差匹配
    • cv2.TM_SQDIFF_NORMED 归一化平方差匹配
    • 这些方法决定了如何度量模板图像与原图像子窗口之间的相似度。
  • 返回值res

    函数在完成图像模板匹配后返回一个结果矩阵这个矩阵的大小与原图像相同。矩阵的每个元素表示原图像中相应位置与模板图像匹配的相似度。

    匹配方法不同,返回矩阵的值的含义也会有所区别。以下是几种常用的匹配方法及其返回值含义:

    1. cv2.TM_SQDIFFcv2.TM_SQDIFF_NORMED

      返回值越接近0,表示匹配程度越好。最小值对应的最佳匹配位置。

    2. cv2.TM_CCORRcv2.TM_CCORR_NORMED

      返回值越大,表示匹配程度越好。最大值对应的最佳匹配位置。

    3. cv2.TM_CCOEFFcv2.TM_CCOEFF_NORMED

      返回值越大,表示匹配程度越好。最大值对应的最佳匹配位置。

2.1 平方差匹配(cv2.TM_SQDIFF)

以模板图与目标图所对应的像素值使用平方差公式来计算,其结果越小,代表匹配程度越高,计算过程举例如下。

注意:模板匹配过程皆不需要边缘填充,直接从目标图像的左上角开始计算。

绘制轮廓:

找的目标图像中匹配程度最高的点,我们可以设定一个匹配阈值来筛选出多个匹配程度高的区域。

loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的数组

*zip(loc)

代码如下:

python 复制代码
'''平方差匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate(),
    # 平方差匹配cv2.TM_SQDIFF 值越小越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_SQDIFF)
    #设置阈值筛选出非常相似的子图
    threshold=2000000
    # 找到满足要求的坐标
    loc=np.where(res<threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),2)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.2 归一化平方差匹配(cv2.TM_SQDIFF_NORMED)

与平方差匹配类似,只不过需要将值统一到0到1,计算结果越小,代表匹配程度越高,计算过程举例如下。

代码如下:

python 复制代码
    '''归一化平方差匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate(),
    # 归一化平方差匹配cv2.TM_SQDIFF------MORMED 值越小越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_SQDIFF_NORMED)
    #设置阈值筛选出非常相似的子图
    threshold=0.3
    # 找到满足要求的坐标
    loc=np.where(res<threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),2)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.3 相关匹配(cv2.TM_CCORR)

使用对应像素的乘积进行匹配 ,乘积的结果越大其匹配程度越高 ,计算过程举例如下。

代码如下:

python 复制代码
'''相关匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate(),
    # 相关匹配cv2.TM_CCORR 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCORR)
    #设置阈值筛选出非常相似的子图
    threshold=7300000
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

注意:

  • 越大越好的话,如果原图有一片区域为白色那么久会被匹配上

2.4 归一化相关匹配(cv2.TM_CCORR_NORMED)

与相关匹配类似,只不过是将其值统一到0到1之间,值越大,代表匹配程度越高,计算过程举例如下

代码如下:

python 复制代码
'''归一化相关匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate(),
    # 相关匹配cv2.TM_CCORR_NORMDE 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCORR_NORMED)
    #设置阈值筛选出非常相似的子图
    threshold=0.9
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.5 相关系数匹配(cv2.TM_CCOEFF)

需要先计算模板与目标图像的均值,然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度,越大越匹配,计算过程举例如下。

代码如下:

python 复制代码
'''相关系数匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate(),
    # 相关系数匹配cv2.TM_CCOEFF 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCOEFF)
    #设置阈值筛选出非常相似的子图
    threshold=3000000
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.6 归一化相关系数匹配(cv2.TM_CCOEFF_NORMED)

也是将相关系数匹配的结果统一到0到1之间,值越接近1代表匹配程度越高,计算过程举例如下。

代码如下:

python 复制代码
'''归一化相关系数匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate(),
    # 相关系数匹配cv2.TM_CCOEFF_NORMED 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCOEFF_NORMED)
    #设置阈值筛选出非常相似的子图
    threshold=0.8
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)
相关推荐
美狐美颜sdk1 小时前
跨平台直播美颜SDK集成实录:Android/iOS如何适配贴纸功能
android·人工智能·ios·架构·音视频·美颜sdk·第三方美颜sdk
DeepSeek-大模型系统教程1 小时前
推荐 7 个本周 yyds 的 GitHub 项目。
人工智能·ai·语言模型·大模型·github·ai大模型·大模型学习
郭庆汝1 小时前
pytorch、torchvision与python版本对应关系
人工智能·pytorch·python
小雷FansUnion3 小时前
深入理解MCP架构:智能服务编排、上下文管理与动态路由实战
人工智能·架构·大模型·mcp
资讯分享周3 小时前
扣子空间PPT生产力升级:AI智能生成与多模态创作新时代
人工智能·powerpoint
叶子爱分享4 小时前
计算机视觉与图像处理的关系
图像处理·人工智能·计算机视觉
鱼摆摆拜拜4 小时前
第 3 章:神经网络如何学习
人工智能·神经网络·学习
一只鹿鹿鹿5 小时前
信息化项目验收,软件工程评审和检查表单
大数据·人工智能·后端·智慧城市·软件工程
张较瘦_5 小时前
[论文阅读] 人工智能 | 深度学习系统崩溃恢复新方案:DaiFu框架的原位修复技术
论文阅读·人工智能·深度学习
cver1235 小时前
野生动物检测数据集介绍-5,138张图片 野生动物保护监测 智能狩猎相机系统 生态研究与调查
人工智能·pytorch·深度学习·目标检测·计算机视觉·目标跟踪