Python+Opencv實現影象模板匹配詳解

2022-09-18 22:00:20

引言

什麼是模板匹配呢？

看到這裡大家是否會覺得很熟悉的感覺湧上心頭！在臉部辨識是不是也會看見等等。

模板匹配可以看作是物件檢測的一種非常基本的形式。使用模板匹配，我們可以使用包含要檢測物件的“模板”來檢測輸入影象中的物件。

一、匹配方法

cv2.matchTemplate(img, templ, method)

引數：（img：原始影象、temple：模板影象、method：匹配度計算方法）

方法如下：

cv2.TM_SQDIFF：計算平方差，計算結果越小，越相關

公式：

cv2.TM_CCORR：計算相關性，計算出來的值越大，越相關

公式：

cv2.TM_CCOEFF：計算相關係數，計算出的值越大，越相關

公式：

cv2.TM_SQDIFF_NORMED：計算歸一化平方差，計算結果越接近0，越相關

公式：

cv2.TM_CCORR_NORMED：計算歸一化相關性，計算結果越接近1，越相關

公式：

cv2.TM_CCOEFF_NORMED：計算歸一化相關係數，計算結果越接近1，越相關

公式：

二、匹配單個物件

img代表原始影象，template代表模板視窗，1預設為cv2.TM_SQDIFF方法

res = cv2.matchTemplate(img, template, 1)

獲取結果的最值和最值位置（最值位置是左上角的座標位置，通過模板的寬和高可以在原圖上把模板位置畫出來）

min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)

完整的程式碼：

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)
    #倆矩形
    cv2.rectangle(img3,top_left,bottom_right,255,2)
    plt.subplot(121),plt.imshow(res1,cmap='gray')
    plt.xticks([]),plt.yticks([])#隱藏座標軸
    plt.subplot(122),plt.imshow(img3,cmap='gray')
    plt.xticks([]),plt.yticks([])#隱藏座標軸
    plt.suptitle(meth)
    plt.show()

結果如圖所示：

多次實驗你會發現歸一的方法更準確。

三、匹配多個物件

1.導包構建函數

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.讀入影象轉灰度圖，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.影象匹配

h,w=TE.shape[:2]
r=cv2.matchTemplate(img_,TE,cv2.TM_CCOEFF_NORMED)
cv_show('r',r)

結果如圖所示：

4.取匹配程度大於75%的座標，畫在原圖上

其中：zip(*) 可理解為解壓，返回二維矩陣式。loc中loc[0]是高，loc[1]是寬，[::-1]表示倒序。p[0]代表寬，p[1]代表高

threshold=0.75
loc=np.where(r>=threshold)
for pt in zip(*loc[::-1]):#*代表可選引數
    bottom_right=(pt[0]+w,pt[1]+h)
    cv2.rectangle(im1,pt,bottom_right,(0,0,255),1)
cv_show('im1',im1)

結果如圖所示：

到此這篇關於Python+Opencv實現影象模板匹配詳解的文章就介紹到這了,更多相關Python Opencv影象模板匹配內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

Python+Opencv實現影象模板匹配詳解

目錄

引言

一、匹配方法

二、匹配單個物件

三、匹配多個物件

熱門文章