OpenCV 笔记:cv2.matchTemplate() 单模板匹配和多模板匹配

OpenCV 笔记:cv2.matchTemplate() 单模板匹配和多模板匹配_第1张图片

导读

        模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。

        模板匹配实现简单(2~3行代码),计算效率高,不需要执行阈值化、边缘检测等操作来生成二值化图像。但是:如果输入图像中存在变化的因素,包括旋转、缩放、视角变化等,模板匹配很容易就会失效。除非:输入图像的旋转、缩放、视角变化在恒定的情况下,模板匹配也可以完美发挥作用。

        你可能需要的文章:

  • OpenCV笔记:cv2.matchTemplate()、cv2.minMaxLoc() 、cv2.rectangle() 方法介绍
  • 关于:Python基础,爬虫,机器学习,常见异常和面试【篇】(专题汇总)

正文

        OpenCV 为我们提供了函数: cv2.matchTemplate() 用于实现模板匹配,并使用 cv2.minMaxLoc() 计算匹配结果。

        至于模板的匹配方法,这里不做详细介绍,需要的小伙伴可以查看:【导读】你可能需要的文章。

一、单模板匹配

1.1 图片准备

        之前的教程里,我一直匹配“脸部”这种特征明显的图形,所以本讲换一个思路,匹配更容易混淆的衣服部分。玩个游戏吧,大家可以看看下面的图片取自哪里,看看是你快,还是机器学习快。

  • 底图 image(博客首页的图),模板图片 templ 如下:

OpenCV 笔记:cv2.matchTemplate() 单模板匹配和多模板匹配_第2张图片

         注意:模板图片要从模板图片中截出来使用,如果二者分辨率差距太大,很容易匹配失败。

1.2 代码展示

# _*_coding:utf-8_*_
# 作者:   Java Punk
# 时间:   2022-10-09 14:49:45

import cv2 as cv2

# 单个模板匹配
def one_match(image, templ):
    img = cv2.imread(image)
    template = cv2.imread(templ)
    h, w = template.shape[:2]
    # 匹配模板
    res = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    # 计算矩形左边
    top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)
    # 画矩形
    cv2.rectangle(img, top_left, bottom_right, (0, 0, 255), 5)
    # 展示结果
    cv2.imshow('img_rgb', img)
    cv2.waitKey(0)
    pass

if __name__ == '__main__':
    print("———————————————————— start ————————————————————\n")
    # 图片路径自己设置,下面是我本地的路径,记得替换!!!
    one_match('../img/test/guimie_03.jpg', '../img/test/guimie_04.jpg')
    print("———————————————————— end ————————————————————\n")

1.3 效果展示

        完美匹配到了,我的模板就是从这里接出来的。


二、多模板匹配

     上面的单模板匹配使用了函数 cv2.minMaxLoc() 输出结果,特点是:只会输出一个匹配系数最大值,无法给出所有匹配区域的位置信息。但是,有些情况下,要搜索的模板图像很有可能在输入图像内出现了多次,这时就需要找出多个匹配结果。

        多模板匹配引入了“匹配系数” - threshold,利用数学计算函数 numpy 删选出所有大于 threshold 的图形。

2.1 图片准备 

  • 模板图片 templ → 底图 image:

OpenCV 笔记:cv2.matchTemplate() 单模板匹配和多模板匹配_第3张图片

2.2 代码展示

# _*_coding:utf-8_*_
# 作者:   Java Punk
# 时间:   2022-10-09 14:49:45

import cv2 as cv2
import numpy as np

# 多个模板匹配
def more_match(image, templ):
    img = cv2.imread(image)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    template = cv2.imread(templ, 0)
    h, w = template.shape[:2]

    res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
    # 取匹配程度大于%90的坐标
    threshold = 0.9
    # np.where返回的坐标值(x,y)是(h,w),注意h,w的顺序
    loc = np.where(res >= threshold)
    for pt in zip(*loc[::-1]):
        bottom_right = (pt[0] + w, pt[1] + h)
        cv2.rectangle(img, pt, bottom_right, (255, 0, 0), 1)
        print(pt, bottom_right)
    cv2.imshow('img_rgb', img)
    cv2.waitKey(0)
    pass

if __name__ == '__main__':
    print("———————————————————— start ————————————————————\n")
    # 图片路径自己设置,下面是我本地的路径,记得替换!!!
    more_match('../img/test/zhipai_03.jpg', '../img/test/zhipai_04.jpg')
    print("———————————————————— end ————————————————————\n")

2.3 效果展示

        要知道,即使是从原图上截取的图片,在做视觉匹配的时候有没有100%匹配的说法,只能是无限接近于100%。代码中 threshold = 0.9,即:90%以上匹配,尝试将匹配系数慢慢增大,看看会发生什么?

        注:为了让每个菱形有区别,我特意倾斜了一定角度拍摄了纸牌的照片,多少能展示出一点效果。

        当 threshold = 0.99 的时候,结果只有一个(的确就是我取的截图),即:输出最匹配的结果,在原理上与 函数 cv2.minMaxLoc() 有异曲同工之妙。


你可能感兴趣的:(《Python从入门到精通》,opencv,matchTemplate,机器学习)