OpenCV与图像处理学习十六——模板匹配
OpenCV与图像处理学习十六——模板匹配
- 一、模板匹配介绍
- 二、代码应用
一、模板匹配介绍
模板匹配是一种最原始、最基本的模式识别方法,研究某一特定目标的图像位于图像的什么地方,进而对图像进行定位。
在待检测的图像上,从左到右,从上到下计算模板图像与重叠子图像的匹配度,匹配程度越大,两者相同的可能性越大。
二、代码应用
OpenCV中的函数:
result = cv2.matchTemplate( image, templ, method[, result[, mask]] )
参数如下所示:
- image:待搜索的原图,必须是灰度图或4通道图。
- templ:模板图像,必须不大于原图像并具有相同的数据类型。
- method:表示计算匹配程度的方法。
TM_SQDIFF_NORMED是标准平方差匹配,通过计算两图之间平方差来进行匹配,最好匹配为0,匹配越差,匹配值越大。
TM_CCORR_NORMED是标准相关性匹配,采用模板和图像间的乘法操作,数越大表示匹配程度越高,0表示最坏的匹配效果,这种方法除了亮度线性变化对相似度计算的影响。
TM_CCOEFF_NORMED是标准相关性系数匹配,两图减去各自的平均值之外,还要各自除以各自的方差。将模板对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。
获取相关性最大最小值及其位置的函数:
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc( src[, mask] )
参数如下所示:
即返回最大值及其位置、最小值及其位置。
看个例子:
# 模板匹配
import cv2
import numpy as npdef template_demo(tpl, target):methods = [cv2.TM_SQDIFF_NORMED, cv2.TM_CCORR_NORMED, cv2.TM_CCOEFF_NORMED] # 3种模板匹配方法th, tw = tpl.shape[:2]for md in methods:# print(md)result = cv2.matchTemplate(target, tpl, md)# print(result.shape)min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)print(min_val, max_val, min_loc, max_loc)# 找匹配效果最好的位置,TM_SQDIFF_NORMED方法值越小越好,另外两种越大越好if md == cv2.TM_SQDIFF_NORMED:tl = min_locelse:tl = max_locbr = (tl[0] + tw, tl[1] + th) # br是矩形右下角的点的坐标cv2.rectangle(target, tl, br, (0, 0, 255), 2)cv2.namedWindow("match-" + np.str(md), cv2.WINDOW_NORMAL)cv2.imshow("match-" + np.str(md), target)tpl = cv2.imread("image/sample2.jpg")
print(tpl.shape)
target = cv2.imread("image/target1.jpg")
print(target.shape)
cv2.waitKey(0)
cv2.destroyAllWindows()cv2.namedWindow('template image', cv2.WINDOW_NORMAL)
cv2.imshow("template image", tpl)
cv2.namedWindow('target image', cv2.WINDOW_NORMAL)
cv2.imshow("target image", target)
template_demo(tpl, target)
cv2.waitKey(0)
cv2.destroyAllWindows()
模板和待匹配的图如下所示:
三种匹配方法的效果如下所示:
cv2.TM_SQDIFF_NORMED:
cv2.TM_CCORR_NORMED:
cv2.TM_CCOEFF_NORMED:
都是可以很好的匹配上,但是这里是匹配度很高时的一个例子,如果模板的匹配度没那么高,这种方法的效果就会打折扣。
OpenCV与图像处理学习十六——模板匹配相关推荐
- OpenCV与图像处理学习十四——SIFT特征(含代码)
OpenCV与图像处理学习十四--SIFT特征(含代码) 一.SIFT算法 二.SIFT实现过程 三.代码实现 一.SIFT算法 SIFT, 即尺度不变特征变换算法(Scale-invariant f ...
- OpenCV与图像处理学习十二——图像形状特征之HOG特征
OpenCV与图像处理学习十二--图像形状特征之HOG特征 一.图像特征理解 1.1 颜色特征 1.2 纹理特征 1.3 形状特征 1.4 空间关系特征 二.形状特征描述 2.1 HOG特征 2.1. ...
- OpenCV与图像处理学习十五——LBP纹理特征(含代码)
OpenCV与图像处理学习十五--LBP纹理特征(含代码) 一.LBP介绍 二.LBP原理 三.代码应用 一.LBP介绍 LBP(Local Binary Pattern, 局部二值模式) , 是一种 ...
- OpenCV与图像处理学习十——区域生长算法(含代码)
OpenCV与图像处理学习十--区域生长算法(含代码) 一.区域生长算法概要 二.区域生长算法原理 三.代码应用 一.区域生长算法概要 区域生长是一种串行区域分割的图像分割方法.区域生长是指从某个像素 ...
- OpenCV与图像处理学习六——图像形态学操作:腐蚀、膨胀、开、闭运算、形态学梯度、顶帽和黑帽
OpenCV与图像处理学习六--图像形态学操作:腐蚀.膨胀.开.闭运算.形态学梯度.顶帽和黑帽 四.图像形态学操作 4.1 腐蚀和膨胀 4.1.1 图像腐蚀 4.1.2 图像膨胀 4.2 开运算与闭运 ...
- OpenCV 学习笔记(模板匹配)
OpenCV 学习笔记(模板匹配) 模板匹配是在一幅图像中寻找一个特定目标的方法之一.这种方法的原理非常简单,遍历图像中的每一个可能的位置,比较各处与模板是否"相似",当相似度足够 ...
- OpenCV与图像处理学习八——图像边缘提取(Canny检测代码)
OpenCV与图像处理学习八--图像边缘提取(Canny检测代码) 一.图像梯度 1.1 梯度 1.2 图像梯度 二.梯度图与梯度算子 2.1模板卷积 2.2 梯度图 2.3 梯度算子 2.3.1 R ...
- 图像处理之基于NCC模板匹配识别
图像处理之基于NCC模板匹配识别 一:基本原理 NCC是一种基于统计学计算两组样本数据相关性的算法,其取值范围为[-1, 1]之间,而对图像来说,每个像素点都可以看出是RGB数值,这样整幅图像就可以看 ...
- OpenCV与图像处理学习十七——OpenCV人脸检测(含代码)
OpenCV与图像处理学习十七--OpenCV人脸检测(含代码) 一.人脸识别概要 1.1 人脸检测 1.2 人脸对齐(Face Alignment) 1.3 人脸特征提取(Face Feature ...
最新文章
- python常用内置模块-Python之OS模块常用内置方法汇总
- opencv简单滤波
- 工信部制定VR行业标准-谋定研究:对话中国经济和信息化
- NYOJ 139 我排第几个?
- android调用web service(cxf)实例
- C++Merege Sort合并排序的实现算法(附完整源码)
- javascript 模板引擎基本原理
- 使用babel7 和 nodemon 进行node项目开发
- SVN或其他网盘类软件同步图标不显示的异常
- php中的file_upload,PHP文件上传(PHP file upload)
- 腾讯云连续三年登上KVM开源贡献榜,引领KVM技术标准!
- python音频聚类_python实现鸢尾花三种聚类算法(K-means,AGNES,DBScan)
- IT职场人生系列之十:创业观
- 【论文分享】ACL 2020 图神经网络在自然语言处理中的应用
- 前端 后端 MD5加盐
- c语言中关系运算符和逻辑运算符,c语言中的关系运算符和逻辑运算符
- 端子排延时中间继电器DZS-822/DC110V
- 什么是 IoT App SDK?
- 腾讯云云开发CTA认证题库
- 侏儒の言葉---あなたの一生に感動する「三」
热门文章
- java jxl 写 excel文件_java采用jxl写入一个Excel文件
- 召回粗排精排-级联漏斗(上)
- 不讲武德,只用标签名就能做文本分类
- 2020年,中国AI创业公司将走向何方
- Android官方开发文档Training系列课程中文版:支持不同的设备之支持不同的平台版本
- IDEA:com.intellij.execution.ExecutionException: not found for the web module.
- Lucene全文检索
- oracle 实现ID自增
- 在POM 4中,dependency中还引入了scope可以使用5个值
- hdu 1165 坑爹找规律题