目录
- 引言
- 一、匹配方法
- 二、匹配单个对象
- 三、匹配多个对象
引言
什么是模板匹配呢？
看到这里大家是否会觉得很熟悉的感觉涌上心头！在人脸识别是不是也会看见 等等。
模板匹配可以看作是对象检测的一种非常基本的形式。使用模板匹配，我们可以使用包含要检测对象的“模板”来检测输入图像中的对象。
一、匹配方法
cv2.matchTemplate(img, templ, method)
参数：（img： 原始图像、temple： 模板图像、method： 匹配度计算方法）
方法如下：
cv2.TM_SQDIFF： 计算平方差，计算结果越小，越相关
公式：
cv2.TM_CCORR： 计算相关性，计算出来的值越大，越相关
公式：
cv2.TM_CCOEFF： 计算相关系数，计算出的值越大，越相关
公式：
cv2.TM_SQDIFF_NORMED： 计算归一化平方差，计算结果越接近0，越相关
公式：
cv2.TM_CCORR_NORMED： 计算归一化相关性，计算结果越接近1，越相关
公式：
cv2.TM_CCOEFF_NORMED： 计算归一化相关系数，计算结果越接近1，越相关
公式：
二、匹配单个对象
img代表原始图像，template代表模板窗口，1默认为cv2.TM_SQDIFF方法
res = cv2.matchTemplate(img, template, 1)
获取结果的最值和最值位置（最值位置是左上角的坐标位置，通过模板的宽和高可以在原图上把模板位置画出来）
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
完整的代码：
import cv2 import numpy as np import matplotlib.pyplot as plt def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows() img=cv2.imread('C:/Users/bwy/Desktop/7.png',0) template=cv2.imread('C:/Users/bwy/Desktop/8.png',0) methods=['cv2.TM_CCOEFF','cv2.TM_CCOEFF_NORMED','cv2.TM_CCORR','cv2.TM_CCORR_NORMED' ,'cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED'] for meth in methods: img3=img.copy() method=eval(meth) print(meth) res1=cv2.matchTemplate(img,template,method) min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res1) if method in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]: top_left=min_loc else: top_left=max_loc bottom_right=(top_left[0]+w,top_left[1]+h) #俩矩形 cv2.rectangle(img3,top_left,bottom_right,255,2) plt.subplot(121),plt.imshow(res1,cmap='gray') plt.xticks([]),plt.yticks([])#隐藏坐标轴 plt.subplot(122),plt.imshow(img3,cmap='gray') plt.xticks([]),plt.yticks([])#隐藏坐标轴 plt.suptitle(meth) plt.show()
结果如图所示：
多次实验你会发现归一的方法更准确。
三、匹配多个对象
1.导包构建函数
import cv2 import numpy as np import matplotlib.pyplot as plt def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows()
2.读入图像转灰度图，改大小。
im=cv2.imread('C:/Users/bwy/Desktop/9.png') TE=cv2.imread('C:/Users/bwy/Desktop/10.png',cv2.IMREAD_GRAYSCALE) im1=cv2.resize(im,(600,337)) cv_show('im',im1) img_=cv2.cvtColor(im1,cv2.COLOR_BGR2GRAY) TE=cv2.resize(TE,(60,60)) TE.shape
3.图像匹配
h,w=TE.shape[:2] r=cv2.matchTemplate(img_,TE,cv2.TM_CCOEFF_NORMED) cv_show('r',r)
结果如图所示：
4.取匹配程度大于75%的坐标 ，画在原图上
其中：zip(*) 可理解为解压，返回二维矩阵式。loc中loc[0]是高，loc[1]是宽，[::-1]表示倒序。p[0]代表宽，p[1]代表高
threshold=0.75 loc=np.where(r>=threshold) for pt in zip(*loc[::-1]):#*代表可选参数 bottom_right=(pt[0]+w,pt[1]+h) cv2.rectangle(im1,pt,bottom_right,(0,0,255),1) cv_show('im1',im1)
结果如图所示：
到此这篇关于Python+Opencv实现图像模板匹配详解的文章就介绍到这了,更多相关Python Opencv图像模板匹配内容请搜索本网站以前的文章或继续浏览下面的相关文章希望大家以后多多支持本网站！
您可能感兴趣的文章:
- Python OpenCV实现图像模板匹配详解
- python计算机视觉opencv图像金字塔轮廓及模板匹配
- Python+Opencv实现图像匹配功能(模板匹配)
