opencv-python 二值图像的模板匹配实现

之前写过如何获得一个指静脉的二值化特征图像,传送门:opencv-python 用Gabor滤波器实现指静脉血管区域二值化纹理特征提取

然后这篇文章记录我是如何来做特征模板匹配的。

匹配评分原理:

原理:根据上述二值纹理特征提取方法,获取手指静脉纹路的二值

纹理图像将已注册图像的 ROI 区域与待认证图片的 ROI 区域均采用二值纹理特征提取方法获得两张纹理前景图像,然后计算两张纹理前景图像的交集(重叠)像素点数与两张纹理前景图像的并集像素点数之比,这个比值即为两张图像的匹配分数。

但是在匹配过程中,为了使得模板同类图片(同一手指图片)在匹配中得到更高的分数,同时让其他类图片的分数(相对)更小。我自己设计了基于像素对比的另外一种方法:用模板和待认证图片的交集比上模板的非运算和待认证图片的交集。用式子表示为:

 opencv-python 二值图像的模板匹配实现_第1张图片

尺寸匹配:

要对得到的ROI区域二值特征进行逐个像素的比对,必须使得输入的待匹配图片和原来的图像尺寸一致。在opencv中,可以采用:


Dst=cv.resize(Src,(cols,rows),0,0,interpolation=cv.INTER_NEAREST)

我选择的是最近邻插值法(cv.INTER_NEAREST),原因很简单:因为参与对比的图片都是0,255的二值图像,如果采用双线性插值法,将会计算出其他的像素值,这不便于后期的处理。

开始匹配:

接下来就很简单了,无非是bitwise_or()和bitwise_and()和,由于图片中的像素值都是255,直接用 img.sum()/255就可以知道图片里面有多少个非零像素了。这里贴一下我的代码和效果:

def bf_match(template,bf1):  # template is template,bf1 is the test image,they are both binary feature(0 or 255)
    rows,cols=template.shape
    inv_template=cv.bitwise_not(template)
    #plt.imshow(inv_template);plt.show()
    bf1=cv.resize(bf1,(cols,rows),0,0,interpolation=cv.INTER_NEAREST)
    and_img=cv.bitwise_and(template,bf1)
    #or_img=cv.bitwise_or(template,bf1)
    and_inv_img=cv.bitwise_and(inv_template,bf1)
    #result=result_img.sum()/or_img.sum()
    result=and_img.sum()/and_inv_img.sum()
    plt.imshow(and_img)
    plt.show()
    return result

效果如下:

opencv-python 二值图像的模板匹配实现_第2张图片

 (感觉之前基于Gabor的二值特征提取还是做的太粗糙了!!)

 

点个赞噢亲~

 

你可能感兴趣的:(opencv-python学习)