【opencv学习】【模板匹配】

今天学习模板匹配
模板图片

目标图像

import cv2import matplotlib.pyplot as plt# 模板匹配的原理：# 一个模板图像在目标图像上机芯从左到右从上到下进行滑动，每滑动一个位置就计算匹配度（均方差或者是相关系数等）# 遍历完目标图像后，求出最匹配的未知区域来。# 展示图像，封装成函数def cv_show_image(name, img): cv2.imshow(name, img) cv2.waitKey(0) # 等待时间，单位是毫秒，0代表任意键终止 cv2.destroyAllWindows()# 读取模板template = cv2.imread('images/template.jpg') # 转成灰度图print('template图像维度是:', template.shape)h, w, c = template.shapeprint(h)print(w)cv_show_image('template', template)# 读取目标图像dst_img = cv2.imread('images/saoge2.jpg') # 转成灰度图print('目标图像维度是:', dst_img.shape)cv_show_image('dst_img', dst_img)# 匹配度的度量方法methords = ['cv2.TM_SQDIFF', # 计算每个像素点的均方差，值越小越相关 'cv2.TM_CCORR', # 计算相关性，值越大越相关 'cv2.TM_CCOEFF', # 计算相关性系数，值越大越相关 'cv2.TM_SQDIFF_NORMED', # 计算每个像素点的均方差，值越小越相关，带有归一化 'cv2.TM_CCORR_NORMED', # 计算相关性，值越大越相关，带有归一化 'cv2.TM_CCOEFF_NORMED' # 计算相关性系数，值越大越相关，带有归一化 ]colors = [(255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0), (0, 255, 255), (255, 0, 255)]thickness = [12, 10, 8, 6, 4, 2]img_result = dst_img.copy()for i in range(len(methords)): img_tmp = dst_img.copy() # 临时展示当前的框框 methord = eval(methords[i]) # 拿到具体的模板匹配方法 print('current methord is: {}'.format(methords[i])) # 实际进行模板匹配 res = cv2.matchTemplate(dst_img, template, methord) # 传入目标图像、模板图像、匹配度量方法 print(res.shape) # 得到的是 (dst_img.H - template.H + 1, dst_img.W - template.W + 1)的维度数据 print(type(res)) # print(res.dtype) # 每个元素的类型是 float32 # 解析结果，分别获得匹配过程中度量值的最大最小值，以及其分布像素点的位置，根据methord不同，去取适当的值 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) if methord 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) print('模板匹配到的位置信息是', top_left, bottom_right) # 在图像上画出矩形表示这个匹配的位置 cv2.rectangle(img_result, top_left, bottom_right, colors[i], thickness[i]) cv2.rectangle(img_tmp, top_left, bottom_right, colors[i], thickness[i]) plt.subplot(1, 2, 1), plt.imshow(res, 'gray') # 画出各个像素点（代表一个(h, w)的区域）的匹配度 plt.xticks([]), plt.yticks([]) # 隐藏坐标轴 plt.subplot(1, 2, 2), plt.imshow(img_tmp, 'gray') # 在原始图像上画出匹配的位置 plt.xticks([]), plt.yticks([]) # 隐藏坐标轴 plt.title(methords[i]) plt.show()# 最后把所有的框框都核在一起cv_show_image('img_result', img_result)

效果如下：
‘cv2.TM_SQDIFF’, # 计算每个像素点的均方差，值越小越相关

‘cv2.TM_CCORR’, # 计算相关性，值越大越相关

‘cv2.TM_CCOEFF’, # 计算相关性系数，值越大越相关

‘cv2.TM_SQDIFF_NORMED’, # 计算每个像素点的均方差，值越小越相关，带有归一化

‘cv2.TM_CCORR_NORMED’, # 计算相关性，值越大越相关，带有归一化

‘cv2.TM_CCOEFF_NORMED’ # 计算相关性系数，值越大越相关，带有归一化

最后汇总的结果就是