Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 49 篇。
该系列文章导航参考：https://blog.csdn.net/hihell/category_10688961.html
学在前面
关于 OpenCV 中的模板匹配，在之前的博客 图像的模板匹配，Python OpenCV 取经之旅第 29 天。
模板匹配就是在一个目标图像（大图）中检索模板图像（小图），进行该操作的核心是两个函数，一个是 cv2.matchTemplate 另一个是 cv2.minMaxLoc 。
模板匹配是将模板图像在目标图像上进行滑动，从左到右，从上到下，一个一个区域进行，类似卷积操作。
由上文提及的博客，我们也知道，如果模板图像的大小是 w*h，目标图像的大小是 W*H，那匹配到的图像大小是 W-w+1,H-h+1，这步骤的操作是由 cv2.matchTemplate 实现的，接下来在由 cv2.minMaxLoc 函数查找最大值和最小值的像素点位置，拿到这个位置会后就可以在目标图像上进行绘制了。
通过案例简单复盘
编写测试代码如下，代码中对于 method 参数进行了基本的罗列：
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
def template_demo():
tpl = cv.imread("./tpl.jpg")
target = cv.imread("./t9.jpg")
methods = [cv.TM_CCOEFF, cv.TM_CCORR, cv.TM_SQDIFF,
cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED, cv.TM_SQDIFF_NORMED]
th, tw = tpl.shape[:2]
for md in methods:
result = cv.matchTemplate(target, tpl, md)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
# 如果方法是 TM_SQDIFF 或 TM_SQDIFF_NORMED，则取最小值
if md == cv.TM_SQDIFF_NORMED or md == cv.TM_SQDIFF:
tl = min_loc
else:
tl = max_loc
br = (tl[0] + tw, tl[1] + th)
cv.rectangle(target, tl, br, (0, 0, 255), 2)
# cv.imshow("match-" + np.str(md), target)
plt.subplot(121), plt.imshow(result, cmap='gray')
plt.title('result'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(cv.cvtColor(
target, cv.COLOR_BGR2RGB), cmap='gray')
plt.title('target'), plt.xticks([]), plt.yticks([])
plt.show()
if __name__ == "__main__":
template_demo()
cv.waitKey(0)
cv.destroyAllWindows()
先展示的结果是没有进行归一化操作的，后展示的为归一化操作的结果。
cv.TM_CCOEFF 运行结果
cv.TM_CCORR
cv.TM_SQDIFF
使用 cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED, cv.TM_SQDIFF_NORMED 等参数值的结果不在展示，问题出现在模板图片的选择上，因为左上角出现相同的像素点，所以导致有的结果出现 2 个匹配结果，最神奇的是，我对 result 进行输出，发现使用 cv.minMaxLoc 函数之后，并未返回多个结果，以下是参考数据，都是单个坐标。
-20675626.0 56209900.0 (355, 415) (201, 259)
58169844.0 325979360.0 (346, 4) (201, 259)
38019264.0 216403984.0 (201, 259) (313, 3)
0.559607207775116 0.9503162503242493 (307, 1) (201, 259)
-0.4676389992237091 0.7111679315567017 (356, 415) (201, 259)
0.1108362227678299 1.0 (201, 259) (282, 0)
为了验证出现的原因，我将矩形绘制的地方增加了颜色变动代码。
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
def template_demo():
tpl = cv.imread("./tpl.jpg")
target = cv.imread("./t9.jpg")
tpl = cv.cvtColor(tpl,cv.COLOR_BGR2RGB)
target = cv.cvtColor(target,cv.COLOR_BGR2RGB)
# methods = [cv.TM_CCOEFF, cv.TM_CCORR, cv.TM_SQDIFF,
# cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED, cv.TM_SQDIFF_NORMED]
# 每次绘制的时候，都展示不同的颜色代码
colors = [(0, 0, 255),(255, 0, 255),(0, 255, 255),(0, 0, 0),(255, 0, 0),(0,255, 0)]
methods = [cv.TM_CCOEFF, cv.TM_CCORR, cv.TM_SQDIFF,
cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED, cv.TM_SQDIFF_NORMED]
th, tw = tpl.shape[:2]
color_num = 0
for md in methods:
result = cv.matchTemplate(target, tpl, md)
# print(result.shape)
# cv.normalize(result, result, 0, 1, cv.NORM_MINMAX, -1)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
print(min_val, max_val, min_loc, max_loc)
# 如果方法是 TM_SQDIFF 或 TM_SQDIFF_NORMED，则取最小值
if md == cv.TM_SQDIFF_NORMED or md == cv.TM_SQDIFF:
tl = min_loc
else:
tl = max_loc
br = (tl[0] + tw, tl[1] + th)
print(colors[color_num])
cv.rectangle(target, tl, br, colors[color_num], 5)
color_num+=1
# cv.imshow("match-" + np.str(md), target)
plt.cla()
plt.subplot(121), plt.imshow(result, cmap='gray')
plt.title('result'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(target, cmap='gray')
plt.title('target'), plt.xticks([]), plt.yticks([])
plt.show()
if __name__ == "__main__":
template_demo()
cv.waitKey(0)
cv.destroyAllWindows()
经过实验确定绘制的图像是上次绘制的残留，因为出现了如下内容，两次绘制的矩形边框颜色不一致问题。
知道原因了修改就比较容易了，只需要在循环的时候重新加载一下原图即可。
for md in methods:
target = cv.imread("./t9.jpg")
result = cv.matchTemplate(target, tpl, md)
在实际应用的时候，尽量使用带有归一化的参数，但是对于每个图像不同的参数都会导致不同的结果，需要给予实际情况进行判断，没有标准解。其它内容还可以去官网继续学习 地址
匹配到多个图像区域
在上述的案例中一直都是匹配到一个目标图像区域，如果希望在一幅图像中匹配到多个目标图像，使用下述代码即可。
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
def main():
tpl = cv.imread("./big_tpl.jpg")
target = cv.imread("./big.jpg")
th, tw = tpl.shape[:2]
result = cv.matchTemplate(target, tpl, cv.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(result >= threshold)
for pt in zip(*loc[::-1]):
cv.rectangle(target, pt, (pt[0] + tw,
pt[1] + th), (0, 0, 255), 1)
cv.imshow("img", target)
cv.waitKey()
cv.destroyAllWindows()
if __name__ == '__main__':
main()
上述代码函数使用的是原函数 cv.matchTemplate 没有难度，重点在下面的代码部分出现的差异：
threshold = 0.8
loc = np.where(result >= threshold)
for pt in zip(*loc[::-1]):
cv.rectangle(target, pt, (pt[0] + tw,
pt[1] + th), (0, 0, 255), 1)
其中 threshold=0.8 相当于临界值的概念，用于筛选匹配到的结果大于 0.8 的坐标，相当于拿模板图像与目标图像去匹配，匹配度告诉 80%，表示匹配上了，否则没有匹配上，所以降低这个值会导致匹配的结果变多，你可以自行尝试一下。
其中 np.where(condition) 函数表示输出满足 condition 的坐标，注意不是值，是坐标。
接下来的操作其实是对图像坐标的一些细节处理了，如果你对代码不清楚，可以按照下述输出进行比对
threshold = 0.8
loc = np.where(result >= threshold)
print(loc)
print(loc[::-1])
print(list(zip(*loc[::-1])))
for pt in zip(*loc[::-1]):
cv.rectangle(target, pt, (pt[0] + tw,
pt[1] + th), 255, 1)
输出结果如下：
(array([146, 146, 147, 147, 147, 147, 147, 147, 148, 148, 148, 148, 148,
148, 148, 148, 148, 148, 149, 149, 149, 149, 149, 149, 149, 149,
149, 149, 150, 150, 150, 150], dtype=int64), array([692, 979, 118, 405, 691, 692, 978, 979, 117, 118, 404, 405, 691,
692, 693, 978, 979, 980, 117, 118, 119, 404, 405, 406, 692, 693,
979, 980, 118, 119, 405, 406], dtype=int64))
(array([692, 979, 118, 405, 691, 692, 978, 979, 117, 118, 404, 405, 691,
692, 693, 978, 979, 980, 117, 118, 119, 404, 405, 406, 692, 693,
979, 980, 118, 119, 405, 406], dtype=int64), array([146, 146, 147, 147, 147, 147, 147, 147, 148, 148, 148, 148, 148,
148, 148, 148, 148, 148, 149, 149, 149, 149, 149, 149, 149, 149,
149, 149, 150, 150, 150, 150], dtype=int64))
[(692, 146), (979, 146), (118, 147), (405, 147), (691, 147), (692, 147), (978, 147), (979, 147), (117, 148), (118, 148), (404, 148), (405, 148), (691, 148), (692, 148), (693, 148), (978, 148), (979, 148), (980, 148), (117, 149), (118, 149), (119, 149), (404, 149), (405, 149), (406, 149), (692, 149), (693, 149), (979, 149), (980, 149), (118, 150), (119, 150), (405, 150), (406, 150)]
使用 loc = np.where(result >= threshold) 之后，得到了所有大于 0.8 的坐标点，但是这些点都是横纵坐标分开顺序排列，并且是孤立的，而且图像在绘制的时候，横纵坐标顺序是反着的，先高即纵，后宽即横，捣鼓清楚了，其他的都是 Python 基本操作。
对坐标理解清楚之后，完全可以修改代码如下，不需要这些变换，得到的结果是一致的。
for pt in zip(*loc):
cv.rectangle(target, (pt[1],pt[0]), (pt[1] + th,
pt[0] + tw), 255, 1)
为了提高效率，可以匹配灰度图，然后在彩色图像绘制即可。
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
def main():
tpl = cv.imread("./big_tpl.jpg")
target = cv.imread("./big.jpg")
tpl_gray = cv.cvtColor(tpl, cv.COLOR_BGR2GRAY)
target_gray = cv.cvtColor(target, cv.COLOR_BGR2GRAY)
th, tw = tpl_gray.shape[:]
result = cv.matchTemplate(target_gray, tpl_gray, cv.TM_CCOEFF_NORMED)
print(result)
threshold = 0.8
loc = np.where(result >= threshold)
for pt in zip(*loc[::-1]):
cv.rectangle(target, pt, (pt[0] + tw,
pt[1] + th), 255, 1)
cv.imshow("target", target)
cv.waitKey()
cv.destroyAllWindows()
if __name__ == '__main__':
main()
橡皮擦的小节
希望今天的 1 个小时你有所收获，我们下篇博客见~
相关阅读
技术专栏
