机器学习进阶-图像金字塔与轮廓检测-模板匹配（单目标匹配和多目标匹配）1.cv2.matchTemplate(进行模板匹配) 2.cv2.minMaxLoc(找出矩阵最大值和最小值的位置(x,y))...

1. cv2.matchTemplate(src, template, method)  # 用于进行模板匹配

参数说明： src目标图像， template模板，method使用什么指标做模板的匹配度指标

2. min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)  # 找出矩阵中最大值和最小值，即其对应的(x, y)的位置
参数说明：min_val， max_val, min_loc, max_loc 分别表示最小值，最大值，即对应的位置， ret输入的矩阵

3. cv2.rectangle(img, (x, y), (x+w. y+h), (0, 0, 255), 2) 用于在图像上画出矩阵

参数说明：img表示图片，(x, y)表示矩阵左上角的位置，(x+w, y+h)表示矩阵右下角的位置, (0, 0, 255)表示颜色，2表示线条  

模板匹配：表示使用一个图像的模板，在一副主图上：从左到右，从上到下进行滑动，每次只滑动一个像素，最终结果的维度为(h - ht + 1, w - wt + 1)，

h表示主图的长，ht表示模板的长, w表示主图的宽，wt表示模板的宽

对于结果的求法：这里使用几个指标：

 

这是模板匹配中的6个指标

第一个指标，用于计算均分根误差，均方根误差越小，表示模板与主图的部分匹配度越高

第二个指标，表示相关性, 即dot(x, y), 相关性越大说明，模板与主图部分的匹配度越高

第三个指标， 表示相关性系数，即dot(x-x', y-y') x' 和 y’表示的是x的均值和y的均值，相关性系数越大，模板与主图部分的匹配度越高

下面三个指标的归一化表示,  /sqrt(dot(∑x^2 + ∑y^2)) , 下面是数学公式

 

单个目标的模板匹配

代码：

第一步：读入目标图片，读入模板图片，对目标图片和模板图片进行灰度化操作

第二步：使用cv2.matchtemplate(img, template, cv2.TM_CCOEFF_NORMED) 进行模板匹配，获得大量的ret结果
第三步：使用min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)  # 找出最大值数所在的位置

第四步：使用cv2.rectangle(original, max_loc, (max_loc[0] + w, max_loc[1] + h), (0, 0, 255), 2) 进行画图操作

第五步：我们对上述的方法进行循环，尝试各种方法所得到的结果

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

original = cv2.imread('lena.jpg')
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)

h, w = template.shape[:2]

methods = ['cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCOEFF', 'cv2.TM_SQDIFF_NORMED', 'cv2.TM_SQDIFF',
           'cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED']
ret = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)

draw_img = original.copy()
ret = cv2.rectangle(draw_img, max_loc, (max_loc[0]+w, max_loc[1]+h), (0, 0, 255), 2)
cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()

for method in methods:
    draw_img = img.copy()
    op = eval(method)
    ret = cv2.matchTemplate(img, template, op)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)
    if method in ['cv2.TM_SQDIFF_NORMED', 'cv2.TM_SQDIFF']:
        loc = min_loc
    else:
        loc = max_loc
    rect = cv2.rectangle(draw_img, loc, (loc[0] + w, loc[1] + h), (0, 0, 255), 2)
    plt.subplot(121)
    plt.imshow(ret, cmap='gray')
    plt.title(method)
    plt.subplot(122)
    plt.imshow(rect, cmap='gray')
    plt.title(method)
    plt.show()

多目标匹配， 多目标匹配使用的是一个阈值，当大于这个阈值时，我们认为已经获得一个目标的匹配值

而使用cv2.matchTemplate匹配出的ret实际是一些上述指标的数值

代码：

第一步:读入图片，对目标图片和模板进行灰度化

第二步：匹配模板，获得ret

第三步：使用np.where(ret>0.8) 删选合适的位置，这个位置是(0, 2)即0表示竖的，2表示横着的

第四步：使用index[::-1]将位置进行调换，使用*index[::-1]使得矩阵发生拆分，使用zip进行两两组合

第五步：使用cv2.rectangle进行画多个矩阵

第六步：使用cv2.imshow展示图片

original = cv2.imread('mario.jpg')
img = cv2.imread('mario.jpg', 0)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]
ret = cv2.matchTemplate(img, template, cv2.TM_CCORR_NORMED)

index = np.where(ret > 0.8)

draw_img = original.copy()
for i in zip(*index[::-1]):
    rect = cv2.rectangle(draw_img, i, (i[0]+w, i[1]+h), (0, 0, 255), 1)

cv2.imshow('rect', np.hstack((original, rect)))
cv2.waitKey(0)
cv2.destroyAllWindows()

转载于:https://www.cnblogs.com/my-love-is-python/p/10403203.html