OpenCV 模板匹配

目录

一、模板匹配原理

二、实现步骤

[1. 导入库并读取图像](#1. 导入库并读取图像)

[2. 获取模板尺寸](#2. 获取模板尺寸)

[3. 执行模板匹配](#3. 执行模板匹配)

[4. 查找最佳匹配位置](#4. 查找最佳匹配位置)

[5. 绘制匹配区域并显示结果](#5. 绘制匹配区域并显示结果)

三、完整代码

四、注意事项


在计算机视觉领域,模板匹配是一种简单有效的目标检测方法,它可以在一幅图像中快速查找与模板图像相似的区域。本文将基于 OpenCV 库,介绍如何使用模板匹配技术在图像中定位目标。


一、模板匹配原理

模板匹配的基本原理是:将模板图像在待检测图像上滑动,计算模板与图像中每个对应区域的匹配程度,最终找到匹配度最高的区域。

OpenCV 提供了cv2.matchTemplate()函数实现模板匹配,其主要参数如下:

  • image:待搜索的源图像
  • templ:模板图像
  • method:匹配算法,常用的有 6 种:
    • TM_SQDIFF:平方差匹配法(值越小匹配越好)
    • TM_CCORR:相关匹配法(值越大匹配越好)
    • TM_CCOEFF:相关系数匹配法(值越大匹配越好)
    • TM_SQDIFF_NORMED:归一化平方差匹配法
    • TM_CCORR_NORMED:归一化相关匹配法
    • TM_CCOEFF_NORMED:归一化相关系数匹配法(推荐使用)

二、实现步骤

下面通过一个实例演示如何在可乐图像中定位模板图案:

1. 导入库并读取图像

首先需要导入 OpenCV 库,并读取源图像和模板图像:

python 复制代码
import cv2

# 读取源图像和模板图像
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')

# 显示原始图像和模板图像
cv2.imshow('kele', kele)
cv2.imshow('template', template)
cv2.waitKey(0)

2. 获取模板尺寸

获取模板图像的高度和宽度,用于后续绘制匹配区域:

python 复制代码
h, w = template.shape[:2]  # 获取模板的高和宽

3. 执行模板匹配

使用归一化相关系数匹配法进行模板匹配:

python 复制代码
# 执行模板匹配,返回匹配结果矩阵
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)

4. 查找最佳匹配位置

通过cv2.minMaxLoc()函数找到匹配结果中的最大值(最佳匹配)及其位置:

python 复制代码
# 获取匹配结果中的最值及位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc  # 最佳匹配区域的左上角坐标

5. 绘制匹配区域并显示结果

根据模板尺寸和最佳匹配位置,绘制矩形框标记匹配区域:

python 复制代码
# 计算匹配区域右下角坐标
bottom_right = (top_left[0] + w, top_left[1] + h)

# 绘制矩形框标记匹配区域
kele_template = cv2.rectangle(kele, top_left, bottom_right, color=(0, 255, 0), thickness=2)

# 显示匹配结果
cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)

三、完整代码

python 复制代码
'''---------------------模板匹配---------------------'''
# 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。
import cv2

kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
cv2.imshow('kele', kele)
cv2.imshow('template', template)
cv2.waitKey(0)

h, w = template.shape[:2]
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)  # 返回匹配结果的矩阵
# 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, color=(0, 255, 0), thickness=2)  # 绘制矩形

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

四、注意事项

  1. 模板图像尺寸应小于源图像尺寸
  2. 不同的匹配方法对光照、旋转等变化的鲁棒性不同,实际应用中需根据场景选择
  3. 归一化的匹配方法(带NORMED后缀)通常效果更好,适用于不同亮度条件
  4. 该方法只能检测与模板方向、尺寸完全一致的目标,对于有旋转或尺度变化的目标需要其他方法
相关推荐
财经三剑客3 小时前
追觅极境冰箱震撼上市:以首创超低氧保鲜科技打造家庭健康中心
大数据·人工智能·科技
机器之心3 小时前
被网友逼着改名的谷歌Nano Banana,正在抢99%时尚博主的饭碗
人工智能·openai
小王爱学人工智能3 小时前
残差神经网络的案例
人工智能·深度学习·神经网络
Python大数据分析@3 小时前
Python 语言有什么奇技淫巧吗?
开发语言·python·c#
LLM精进之路3 小时前
0825-0829 | 大模型方向周报:多模态模型研究、训练与优化策略、安全与对齐等方向
人工智能·深度学习·机器学习
一尘之中3 小时前
《空中隧道》:一位金融预言家写在1927年的“科幻小说”,藏着何种投资秘钥?
人工智能·金融·ai写作
豆浩宇3 小时前
学习PaddlePaddle--环境配置-PyCharm + Conda
人工智能·深度学习·学习·目标检测·计算机视觉·pycharm·paddlepaddle
九年义务漏网鲨鱼3 小时前
PyTorch DDP 随机卡死复盘:最后一个 batch 挂起,NCCL 等待不返回
人工智能·pytorch·batch
用户3521802454754 小时前
GraphRAG:让 RAG 更聪明的一种新玩法
人工智能