openCV：模板匹配

概念

什么是模板匹配

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

工作原理

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline

# 模板匹配步骤
# 原始图像
img = cv2.imread('lena.jpg', 0)
# 模板图像
template = cv2.imread('face.jpg', 0)
# 模板的高和宽
h, w = template.shape[:2]

img.shape

(263, 263)

template.shape

(110, 85)

# 每次滑动的结果都被放入矩阵中，res就是所有滑动结果组成的矩阵
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
res.shape

(154, 179)

# cv2.minMaxLoc用来提供所有滑动结果中的最大值、最小值以及它们的位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

# 由于使用的差别程度的计算方法为cv2.TM_SQDIFF，故应该取最小值。
min_val

39168.0

min_loc

(107, 89)

模板匹配方法

TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
TM_CCORR：计算相关性，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

methods = ['cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED','cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED','cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED']
for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    print (method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
    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)

    # 画矩形:img2表示图片，top_left表示矩阵左上角的位置，bottom_right表示矩阵右下角的位置, 255表示颜色，2表示线条大小
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

output_10_1.png

output_10_3.png

output_10_5.png

output_10_7.png

output_10_9.png

output_10_11.png

匹配多个对象

主要思路与单个对象的模板匹配相同，不同之处在于对输出矩阵的值和设定的阈值进行大小比较，从而筛选出原图像中多个与模板相似的区域

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

模板匹配-多个对象.PNG

最后编辑于：2019.09.28 22:29:06