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 ...

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

OpenCV与图像处理学习十六——模板匹配相关推荐

最新文章

热门文章