OpenCV-针对不同分辨率的匹配操作

项目要求

有一个需要，在UI自动化中，我们需要匹配某个元素在app中的位置，如何获取该元素的位置呢？一般可以通过Automation ID或者XPath，但是，有些控件或者元素，它无法通过这种方法定位，所以，我们把问题抽象成在一张图片中，框出目标元素的位置。

OpenCV模板匹配

模板匹配的工作方式

模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。
假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：
（1）从输入图像的左上角(0,0)开始，切割一块(0,0)至(10,10)的临时图像；
（2）用临时图像和模板图像进行对比，对比结果记为c；
（3）对比结果c，就是结果图像(0,0)处的像素值；
（4）切割输入图像从(0,1)至(10,11)的临时图像，对比，并记录到结果图像；
（5）重复（1）～（4）步直到输入图像的右下角。
大家可以看到，直方图反向投影对比的是直方图，而模板匹配对比的是图像的像素值；模板匹配比直方图反向投影速度要快一些，但是我个人认为直方图反向投影的鲁棒性会更好。

模板匹配的匹配方式

在OpenCv和EmguCv中支持以下6种对比方式：
CV_TM_SQDIFF 平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。
CV_TM_CCORR 相关匹配法：该方法采用乘法操作；数值越大表明匹配程度越好。
CV_TM_CCOEFF 相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
CV_TM_SQDIFF_NORMED 归一化平方差匹配法
CV_TM_CCORR_NORMED 归一化相关匹配法
CV_TM_CCOEFF_NORMED 归一化相关系数匹配法

根据我的测试结果来看，上述几种匹配方式需要的计算时间比较接近（跟《学习OpenCV》书上说的不同），我们可以选择一个能适应场景的匹配方式。

模板匹配存在的问题

1.对于分辨率不同的图片，它无法正常匹配。在实际的任务中，我们的模板图片可能发生分辨率的改变。
2.对于些许形变的图片，它也无法正常匹配。
3.截图内容无法匹配。

原图：
传统匹配结果：

关于自适应屏幕显示：

#include 
#include 

using namespace cv;
using namespace std;
void Show_Picture() {
	Mat src = imread("C:/Users/wenhaofu/Desktop/Multi-Scale-Template-Matching-master/test3.png");

	if (src.empty()) {
		printf("could not load image...\n");
		return;
	}
	namedWindow("input", WINDOW_NORMAL);
	imshow("input", src);

	waitKey(0);
	return;
}
int main(int artc, char** argv) {
	Show_Picture();
	return 0;
}

但是为了完整得显示图片，多次尝试发现，flag参数为WINDOW_NORMAL时才可以在手动调整窗口的条件下显示完整的图片。

解决方法

方法1：直方图+自适应模板匹配

#include
#include
#include
#include
#include "histogram.h"
#include "GrayMatching.h"
struct Best_Rect
{
	Point best_point;
	Mat best_mat;
};

using namespace std;
using namespace cv;

int match_method = CV_TM_SQDIFF_NORMED;
void template_match_demo(Mat& test1, Mat& test2);
void histogram(string& s1,string& s2);
//C:/Users/wenhaofu/Desktop/Multi-Scale-Template-Matching-master/test1.png
//C:/Users/wenhaofu/Desktop/Multi-Scale-Template-Matching-master/button.png
int main(int argc, char* argv)
{
	string s1 = "C:/Users/wenhaofu/Desktop/Multi-Scale-Template-Matching-master/test3.png";
	string s2 = "C:/Users/wenhaofu/Desktop/Multi-Scale-Template-Matching-master/button.png";
	//histogram(s1,s2);
	clock_t start_time = clock();
	graymatching(s1, s2);
	clock_t end_time = clock();
	cout << (double)(end_time - start_time) / CLOCKS_PER_SEC <<"s" << endl;
	return 0;
}
void histogram(string& s1, string& s2) {
	Mat test, temp;
	test = imread(s1);//待检测图像
	temp = imread(s2);//模板图像
	if (test.empty() || temp.empty())
	{
		cout << "could not load image...\n" << endl;
		return;
	}
	template_match_demo(test, temp);
	waitKey(0);
	return;
}
void template_match_demo(Mat& test1, Mat& temp)
{
	map<double, Best_Rect> record;
	for (int i = 0; i < 15; i++) {
		Mat test = test1.clone();
		int new_rows = test1.rows - i * 0.05 * test1.rows;
		int new_cols = test1.cols - i * 0.05 * test1.cols;
		resize(test, test, Size(new_cols, new_rows));

		int result_rows = test.rows - temp.rows + 1;
		int result_cols = test.cols - temp.cols + 1;
		Mat result(result_rows, result_cols, CV_32FC1);

		//模板匹配
		matchTemplate(test, temp, result, match_method);

		//归一化
		normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());

		//寻找模板匹配的最大最小匹配值
		Point minLoc;
		Point maxLoc;
		Point match_loc;
		double min_value, max_value;
		minMaxLoc(result, &min_value, &max_value, &minLoc, &maxLoc, Mat());
		if (match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED)
		{
			match_loc = minLoc;
		}
		else
		{
			match_loc = maxLoc;
		}
		Rect rect(match_loc.x, match_loc.y, temp.cols, temp.rows);
		Mat result_img = test.clone();
		Mat result_img_roi = result_img(rect);
		double his_temp = histogram(temp, result_img_roi);
		Best_Rect best_rect = { match_loc,test };
		record.insert(make_pair(his_temp, best_rect));
	}
	//将待检测图中与模板匹配出框起来
	auto it = record.rbegin();
	/*for (it; it != record.end(); it++) {
		cout << it->first << endl;
	}*/
	rectangle(it->second.best_mat, Rect(it->second.best_point.x, it->second.best_point.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, CV_AA);
	namedWindow("result", WINDOW_NORMAL);
	imshow("result", it->second.best_mat);
	return;
}

histogram.h

//直方图比较
#include
#include
#include
#include
using namespace cv;
using namespace std;

double histogram(Mat &test1,Mat &test2){
	Mat hsvtest1, hsvtest2;
	if (!test1.data || !test2.data)
	{
		printf("could not load image...\n");
		return -1;
	}
	//步骤一：从RGB空间转换到HSV空间
	cvtColor(test1, hsvtest1, CV_BGR2HSV);
	cvtColor(test2, hsvtest2, CV_BGR2HSV);

	//步骤二：计算直方图与归一化
	int h_bins = 50;
	int s_bins = 60;
	int histsize[] = { h_bins,s_bins };
	//hue varies from 0 to 179,saturation from 0 to 255
	float h_ranges[] = { 0,180 };
	float s_ranges[] = { 0,256 };
	const float* histRanges[] = { h_ranges,s_ranges };
	//use the 0-th and 1-st channels
	int channels[] = { 0,1 };
	MatND hist_test1;
	MatND hist_test2;
	//计算直方图
	calcHist(&hsvtest1, 1, channels, Mat(), hist_test1, 2, histsize, histRanges, true, false);
	calcHist(&hsvtest2, 1, channels, Mat(), hist_test2, 2, histsize, histRanges, true, false);

	//归一化
	normalize(hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat());
	normalize(hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat());

	//步骤三：比较直方图，并返回值
	double basetest2 = compareHist(hist_test1, hist_test2, CV_COMP_CORREL);
	return basetest2;
}

大致思路：
给定的模板，它已经是分辨率比较低的了，我们只能改变截图，根据，每次缩放截图，我们把结果用map存起来，map的key为直方图相似度，value为Point和Rect(该点坐标和对比的图)，通过，map自动排序。

结果

方法二：SIFT

#!/usr/bin/env python

# Python 2/3 compatibility
from __future__ import print_function

import numpy as np
import cv2

def init_feature():
    # SIFT匹配
    detector = cv2.SIFT_create(700)
    # BRISK匹配
    #cv2.BRISK_create()
    # 归一化
    norm = cv2.NORM_L2
    #cv2.NORM_L2
    # 特征值全匹配
    matcher = cv2.BFMatcher(norm)
    return detector, matcher

def filter_matches(kp1, kp2, matches, ratio = 0.75):
    mkp1, mkp2 = [], []
    for m in matches:
        if len(m) == 2 and m[0].distance < m[1].distance * ratio:
            m = m[0]
            mkp1.append( kp1[m.queryIdx] )
            mkp2.append( kp2[m.trainIdx] )
    p1 = np.float32([kp.pt for kp in mkp1])
    p2 = np.float32([kp.pt for kp in mkp2])
    kp_pairs = zip(mkp1, mkp2)
    return p1, p2, kp_pairs

def explore_match(win, img1, img2, kp_pairs, status = None, H = None):
    h1, w1 = img1.shape[:2]
    h2, w2 = img2.shape[:2]
    vis = np.zeros((max(h1, h2), w1+w2), np.uint8)
    vis[:h1, :w1] = img1
    vis[:h2, w1:w1+w2] = img2
    vis = cv2.cvtColor(vis, cv2.COLOR_GRAY2BGR)

    if H is not None:
        corners = np.float32([[0, 0], [w1, 0], [w1, h1], [0, h1]])
        corners = np.int32( cv2.perspectiveTransform(corners.reshape(1, -1, 2), H).reshape(-1, 2) + (w1, 0) )
        cv2.polylines(vis, [corners], True, (0, 0, 255))

    cv2.imshow(win, vis)
    return vis

if __name__ == '__main__':

    img1 = cv2.imread('button.png', 0)
    img2 = cv2.imread('test1.png', 0)
    smaller_img1 = cv2.resize(img1, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_AREA)
    smaller_img2 = cv2.resize(img2, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_AREA)
    detector, matcher = init_feature()

    kp1, desc1 = detector.detectAndCompute(smaller_img1, None)
    kp2, desc2 = detector.detectAndCompute(smaller_img2, None)

    raw_matches = matcher.knnMatch(desc1, trainDescriptors = desc2, k = 2)
    p1, p2, kp_pairs = filter_matches(kp1, kp2, raw_matches)
    if len(p1) >= 4:
        H, status = cv2.findHomography(p1, p2, cv2.RANSAC, 5.0)
        print('%d / %d  inliers/matched' % (np.sum(status), len(status)))
        vis = explore_match('find_obj', smaller_img1, smaller_img2, kp_pairs, status, H)
        cv2.waitKey()
        cv2.destroyAllWindows()
    else:
        print('%d matches found, not enough for homography estimation' % len(p1))

通过,缩放和SIFT。其实际效果，有时候并不好。

效果

方法三：灰度匹配+模板匹配

GrayMatching.h

#include 
#include 
#include 
#include 
using namespace cv;
using namespace std;

extern int match_method;
struct Best_Mat
{
    Rect best_rect;
    Mat best_mat;
};
//相似度匹配算法之灰度值方差匹配法：
double get_variance(Mat& a, Mat& b)
{
    if (a.rows != b.rows || a.cols != b.cols || a.channels() != b.channels())
    {
        printf("not the same size!\n");
        return 0;
    }

    //处理图像相似度
    //1.求出每一行到灰度值均值,加入容器，作为特征值；
    //2.求出灰度值总平均值与每行平均值的方差；
    //3.行行比较与模版方差的接近程度


    vector<double> variance_a;
    vector<double> variance_b;
    double var_a = 0;
    double var_b = 0;
    double sum_a = 0;
    double sum_b = 0;
    double mean_a;
    double mean_b;
    double sum_variance = 0.0;
    //将每行灰度值均值存入容器
    for (int i = 0; i < a.rows; i++) {
        mean_a = 0;
        mean_b = 0;
        for (int j = 0; j < a.cols; j++) {
            mean_a += a.at<uchar>(i, j);
            mean_b += b.at<uchar>(i, j);
        }
        mean_a /= (double)(a.rows * a.cols);
        mean_b /= (double)(a.rows * a.cols);
        sum_a += mean_a;
        sum_b += mean_b;
        variance_a.push_back(mean_a);
        variance_b.push_back(mean_b);
    }
    //全图灰度值均值
    mean_a = sum_a / (double)variance_a.size();
    mean_b = sum_b / (double)variance_b.size();
    //灰度值方差之差累加
    for (int i = 0; i < variance_a.size(); i++) {
        var_a = (variance_a[i] - mean_a) * (variance_a[i] - mean_a);
        var_b = (variance_b[i] - mean_b) * (variance_b[i] - mean_b);
        sum_variance += abs(var_a - var_b);
    }

    return sum_variance;
}

void graymatching(string& s1,string& s2)
{
    //加载图像
    Mat org = imread(s1);
    Mat my_template = imread(s2);
    if (org.empty() || my_template.empty())
    {
        cout << "could not load image...\n" << endl;
        return;
    }
    cvtColor(org, org, CV_RGB2GRAY);
    cvtColor(my_template, my_template, CV_RGB2GRAY);
  
    map<double, Best_Mat> arr;
    //循环缩放，当前模版为最大尺寸，每次循环缩小5%，循环10次
    for (int index = 0; index < 10; index++)
    {
        //获得缩放后的模版
        Mat temp_template = org.clone();
        int new_rows = org.rows - index * 0.05 * org.rows;
        int new_cols = org.cols - index * 0.05 * org.cols;
        resize(temp_template, temp_template, Size(new_cols, new_rows));

        //模版匹配
        Mat result;
        result.create(temp_template.dims, temp_template.size, temp_template.type());
        matchTemplate(temp_template, my_template, result, 0);
        //获取模版匹配得到的rect
        Point minPoint;
        Point maxPoint;
        double minVal;
        double maxVal;
        minMaxLoc(result, &minVal, &maxVal, &minPoint, &maxPoint);
        Rect rect(minPoint.x, minPoint.y, my_template.cols, my_template.rows);
       
        //获取匹配部分的roi图像
        Mat result_img = temp_template.clone();
        Mat result_img_roi = result_img(rect);
        //相似度比较部分：
        //比较相似度的算法很多，各有所长，这里用的是一个灰度值方差的相似度比较
        //variance_diff表示灰度值方差，方差越小，相似度越高；
        double variance_diff = get_variance(result_img_roi, my_template);
        Best_Mat best_mat = { rect ,temp_template };
        arr.insert(make_pair(variance_diff, best_mat));
    }
    auto it = arr.begin();
    rectangle(it->second.best_mat, it->second.best_rect, Scalar(255, 0, 0), 3);
    namedWindow("result", WINDOW_NORMAL);
    imshow("result", it->second.best_mat);
    waitKey(0);
    return;
}

结果和结论

直方图8.186s，灰度匹配2.212s，此方法速度快。而且，匹配精度高。