OpenCV笔记整理【模板匹配】

1. 模板匹配

模板匹配就是在图像A中寻找与图像B最相似的部分，一般将图像A称为输入图像，图像B称为模板图像。操作方式是B在A图像上从左到右自上而下滑动，遍历所有的像素。

模板匹配函数：
result = cv2.matchTemplate( image, temp1, mothod[,mask] )

• iamge:：原始图像，必须为8bit或者32bit浮点图像。

• temp1：模板图像，必须与原图同类型，并且尺寸小于等于原图。

• method：匹配方法，有6种可能。
  cv2.TM_SQDIFF ：方差匹配。匹配为 0，否则数值较大。
  cv2.TM_SQDIFF_NORMED：归一化平方差匹配。匹配为 0，否则数值较大。
  cv2.TM_CCORR：相关性匹配，数值越 大 匹配度越高，反之。
  cv2.TM_CCORR_NORMED：归一化相关匹配。数值越 大 匹配度越高，反之。
  cv2.TM_CCOEFF：相关系数匹配。 1 表示完美匹配、-1表示不好的匹配、0表示没有相关性。
  cv2.TM_CCOEFF_NORMED：标准归一化相关系数匹配。数值越 大 匹配度越高，反之。

• mask：模板图像掩模，必须与temp1尺寸、类型相同。只支持 cv2.TM_SQDIFF和cv2.TM_CCORR_NORMED。

• result：由每个位置的比较结果组合所构成的结果集（类型是32bit浮点型）。

• 
  水平方向尺寸：W-w+1 .。。。。。。。。垂直方向尺寸：H-h+1

最大最小值、所在位置查找函数：
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(src,[,mask])

• src：单通道数组。
• minVal：最小值，否则NULL。
• maxVal：最大值，否则为NULL。
• minLoc：最小值的位置，否则NULL。
• maxLoc：最大值的位置，否则为NULL。
• mask：可以用来选取掩模的子集。

确定一个模板的左上角、右下角的位置，method为 cv2.TM_SQDIFF，所以需要用min的loc，这里topLeft 和 bottomRight 分别为：

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(cv2.matchTemplate函数的返回值)
topLeft = minLoc # 左上角
bottomRight = （topLeft[0]+w, topLeft[1]+h ） # 右下角（w和h分别表示模板图像的宽和高）
1
2
3

绘制矩形函数：
Img = cv2.rectangle(img, pt1, pt2, color[,thickness])

• img：标记的图像。
• pt1：左上角点。
• pt2：右下角点。
• color：绘制的颜色。
• thickness：边线的宽度。

上代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('lena512g.bmp',0)
img2 = img.copy()
template = cv2.imread('temp.bmp',0) # 模板图
th, tw = template.shape[::] # 获取分辨率
img = img2.copy() # 复制原图，后面的操作都是在副本上进行
rv = cv2.matchTemplate(img,template,cv2.TM_SQDIFF) # 模板匹配
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(rv) # 查找匹配信息
topLeft = minLoc # 左上角点
bottomRight = (topLeft[0] + tw, topLeft[1] + th) # 右下角点
cv2.rectangle(img,topLeft, bottomRight, 255, 2) # 绘制矩形

plt.subplot(131),plt.imshow(template,cmap = 'gray')
plt.title('templateImg'), plt.xticks([]), plt.yticks([])

plt.subplot(132),plt.imshow(rv,cmap = 'gray')
plt.title('MatchingImg'), plt.xticks([]), plt.yticks([])

plt.subplot(133),plt.imshow(img,cmap = 'gray')
plt.title('DetectedImg'), plt.xticks([]), plt.yticks([])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

运行：

2. Numpy常用操作：

# 定义一个3行6列的图像
list2d=np.arange(18).reshape(3,6)
print(list2d)


# 获取水平、垂直方向的像素个数
w,h=list2d.shape[::]
print(w,h)

# 获取水平、垂直方向的像素个数，然后颠倒顺序
w,h=list2d.shape[::-1]
print(w,h)
1
2
3
4
5
6
7
8
9
10
11
12

运行：

where查找：

# 定义数组
a=np.array([5,9,4,56,35,15,0,3,4])
# 寻找可以整除5的元素的索引
b=np.where(a%5==0)
print(b)
1
2
3
4
5

运行：返回对应的索引值

二维数组检索：

am=np.array([[3,8,5,4,7],[6,12,84,32,20],[12,32,5,1,65]])
b=np.where(am>5)
print(b)
1
2
3

运行：

ZIP打包多数组：

# zip打包多个数组
x=[12,65,21]
y=[1,54,30]
z=[656,21,35]
t=[x,y,z]

for i in zip(*t):
    print(i)
1
2
3
4
5
6
7
8

运行：

3. 多模板匹配：

获取到满足阈值的匹配结果集之后，遍历此结果集合，得到每一个的左上右下的两个点，进行绘制。
上代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('lena4.bmp',0)
template = cv2.imread('lena4Temp.bmp',0)
w, h = template.shape[::-1]
res = cv2.matchTemplate(img,template,cv2.TM_CCOEFF_NORMED)
threshold = 0.9 # 定义阈值

# 检索匹配值大于等于阈值的图像块，生成一个新的多维数组
loc = np.where( res >= threshold)

# 遍历这些结果集，得到每一个的左上右下顶点，并绘制
for pt in zip(*loc[::-1]):
    cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), 255, 1)
    
plt.imshow(img,cmap = 'gray')
plt.xticks([]), plt.yticks([])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

运行：

感谢观看，走过路过，点个关注，谢谢。。。