模板匹配—归一化相关系数匹配算法

python代码：

1 import numpy as np2 import cv23 4 def EM(pModel, width, height):5     sum = np.double(0.0)6     for i in range(0,height):7         for j in range(0,width):8             sum += pModel[i][j]9     return sum
10
11 def EM2(pModel, width, height):
12     sum = np.double(0.0)
13     for i in range(0,height):
14         for j in range(0,width):
15             sum += pModel[i][j]*1.0*pModel[i][j]
16     return sum
17
18 def EI(pToSearch, l, h, u, v, pModel, width, height):
19     sum = np.double(0.0)
20     roi = pToSearch[v:v+height, u:u+width]
21     for i in range(0,height):
22         for j in range(0,width):
23             sum += roi[i][j]
24     return sum
25
26 def EI2(pToSearch, l, h, u, v, pModel, width, height):
27     sum = np.double(0.0)
28     roi = pToSearch[v:v+height, u:u+width]
29     for i in range(0,height):
30         for j in range(0,width):
31             sum += roi[i][j]*1.0*roi[i][j]
32     return sum
33
34 def EIM(pToSearch, l, h, u, v, pModel, width, height):
35     sum = np.double(0.0)
36     roi = pToSearch[v:v+height, u:u+width]
37     for i in range(0,height):
38         for j in range(0,width):
39             sum += pModel[i][j]*1.0*roi[i][j]
40     return sum
41
42 def Match(pToSearch, l, h, pModel, width, height):
43     uMax = l-width
44     vMax = h-height
45     N = width*height
46     len = (uMax+1)*(vMax+1)
47     MatchRec = [0.0 for x in range(0, len)]
48     k = 0
49
50     M = EM(pModel,width,height)
51     M2 = EM2(pModel,width,height)
52     for p in range(0, uMax+1):
53         for q in range(0, vMax+1):
54             I = EI(pToSearch,l,h,p,q,pModel,width,height)
55             I2 = EI2(pToSearch,l,h,p,q,pModel,width,height)
56             IM = EIM(pToSearch,l,h,p,q,pModel,width,height)
57
58             numerator=(N*IM-I*M)*(N*IM-I*M)
59             denominator=(N*I2-I*I)*(N*M2-M*M)
60
61             ret = numerator/denominator
62             MatchRec[k]=ret
63             k+=1
64
65     val = 0
66     k = 0
67     x = y = 0
68     for p in range(0, uMax+1):
69         for q in range(0, vMax+1):
70             if MatchRec[k] > val:
71                 val = MatchRec[k]
72                 x = p
73                 y = q
74             k+=1
75     print "val: %f"%val
76     return (x, y)
77
78 def main():
79     img = cv2.imread('niu.jpg', cv2.IMREAD_GRAYSCALE)
80     temp = cv2.imread('temp.png', cv2.IMREAD_GRAYSCALE)
81
82     print temp.shape
83     imgHt, imgWd = img.shape
84     tempHt, tempWd = temp.shape
85     #print EM(temp, tempWd, tempHt)
86     (x, y) = Match(img, imgWd, imgHt, temp, tempWd, tempHt)
87     cv2.rectangle(img, (x, y), (x+tempWd, y+tempHt), (0,0,0), 2)
88     cv2.imshow("temp", temp)
89     cv2.imshow("result", img)
90     cv2.waitKey(0)
91     cv2.destroyAllWindows()
92
93 if __name__ == '__main__':
94     main()归一化相关系数匹配法

/*
* pImage: 待匹配图像
* image: 待匹配图像宽（width*depth并已4字节对齐）
* roiSize: 待匹配图像尺寸
* pTemplate: 模板图像
* templStep: 模板图像宽
* templSize: 模板图像尺寸
* pResult: 匹配结果
* resultStep: 匹配结果宽
* pBuffer: 中间结果数据缓存
*/
IPCVAPI_IMPL( CvStatus, icvMatchTemplate_CoeffNormed_32f_C1R,(const float *pImage, int imageStep, CvSize roiSize,const float *pTemplate, int templStep, CvSize templSize,float *pResult, int resultStep, void *pBuffer) )
{float *imgBuf = 0;              // 待匹配图像相关数据float *templBuf = 0;            // 模板图像数据double *sumBuf = 0;             // 待匹配图像遍历块单行和double *sqsumBuf = 0;           // 待匹配图像遍历块单行平方和double *resNum = 0;             // 模板图像和待匹配图像遍历块内积double *resDenom = 0;           // 待匹配图像遍历块累加和及待匹配图像遍历块平方累加和double templCoeff = 0;          // 模板图像均分差倒数double templSum = 0;            // 模板图像累加和int winLen = templSize.width * templSize.height;double winCoeff = 1. / (winLen + DBL_EPSILON);          // + DBL_EPSILON 加一个小整数防止分母为零CvSize resultSize = cvSize( roiSize.width - templSize.width + 1,roiSize.height - templSize.height + 1 );int x, y;// 计算并为imgBuf、templBuf、sumBuf、sqsumBuf、resNum、resDenom分配存储空间CvStatus result = icvMatchTemplateEntry( pImage, imageStep, roiSize,pTemplate, templStep, templSize,pResult, resultStep, pBuffer,cv32f, 1, 1,(void **) &imgBuf, (void **) &templBuf,(void **) &sumBuf, (void **) &sqsumBuf,(void **) &resNum, (void **) &resDenom );if( result != CV_OK )return result;imageStep /= sizeof_float;templStep /= sizeof_float;resultStep /= sizeof_float;/* calc common statistics for template and image */{const float *rowPtr = (const float *) imgBuf;double templSqsum = icvCrossCorr_32f_C1( templBuf, templBuf, winLen );          // 模板图像平方累加和templSum = icvSumPixels_32f_C1( templBuf, winLen );                             // 模板图像累加和templCoeff = (double) templSqsum - ((double) templSum) * templSum * winCoeff;   // 模板图像均方差的平方templCoeff = icvInvSqrt64d( fabs( templCoeff ) + FLT_EPSILON );                 // 模板图像均方差倒数for( y = 0; y < roiSize.height; y++, rowPtr += templSize.width ){sumBuf[y] = icvSumPixels_32f_C1( rowPtr, templSize.width );                 // 待匹配图像按模板图像宽度求每行之和（遍历位置第一列）sqsumBuf[y] = icvCrossCorr_32f_C1( rowPtr, rowPtr, templSize.width );       // 待匹配图像按模板图像宽度求每行平方之和（遍历位置第一列）}}/* main loop - through x coordinate of the result */for( x = 0; x < resultSize.width; x++ ){double sum = 0;double sqsum = 0;float *imgPtr = imgBuf + x;                                                      // 待匹配图像起始位置/* update sums and image band buffer */                                          // 如果不是第1列需重新更新sumBuf，更新后sumBuf为遍历位置第x列每行之和（行宽为模板图像宽）if( x > 0 ){const float *src = pImage + x + templSize.width - 1;float *dst = imgPtr - 1;float out_val = dst[0];dst += templSize.width;for( y = 0; y < roiSize.height; y++, src += imageStep, dst += templSize.width ){float in_val = src[0];sumBuf[y] += in_val - out_val;sqsumBuf[y] += (in_val - out_val) * (in_val + out_val);out_val = dst[0];dst[0] = (float) in_val;}}for( y = 0; y < templSize.height; y++ )                                          // 求遍历位置第x列，第1行处遍历块累加和sum及平方累加和sqsum{sum += sumBuf[y];sqsum += sqsumBuf[y];}for( y = 0; y < resultSize.height; y++, imgPtr += templSize.width ){double res = icvCrossCorr_32f_C1( imgPtr, templBuf, winLen );               // 求模板图像和待匹配图像y行x列处遍历块的内积if( y > 0 )                                                                 // 如果不是第1行需更新遍历块累加和sum及平方累加和sqsum{sum -= sumBuf[y - 1];sum += sumBuf[y + templSize.height - 1];sqsum -= sqsumBuf[y - 1];sqsum += sqsumBuf[y + templSize.height - 1];}resNum[y] = res;resDenom[y] = sum;resDenom[y + resultSize.height] = sqsum;}for( y = 0; y < resultSize.height; y++ ){double sum = ((double) resDenom[y]);double wsum = winCoeff * sum;double res = ((double) resNum[y]) - wsum * templSum;double nrm_s = ((double) resDenom[y + resultSize.height]) - wsum * sum;res *= templCoeff * icvInvSqrt64d( fabs( nrm_s ) + FLT_EPSILON );pResult[x + y * resultStep] = (float) res;}}return CV_OK;
}

转自：模板匹配算法详细解说

模板匹配—归一化相关系数匹配算法相关推荐

OpenCV-Python：模板匹配
啥叫模板匹配模板匹配就是在大图中找小图,也就说在一幅图像中寻找另一幅模板图像的位置: OpenCV使用 cv2.matchTemplate() 实现模板匹配. import cv2 import n ...
python模板匹配_OpenCV-Python：模板匹配
啥叫模板匹配模板匹配就是在大图中找小图,也就说在一幅图像中寻找另一幅模板图像的位置: OpenCV使用 cv2.matchTemplate() 实现模板匹配. importcv2importnump ...
python 模板匹配多个物体
参考: https://www.jianshu.com/p/c20adfa72733 平方差匹配CV_TM_SQDIFF:用两者的平方差来匹配,最好的匹配值为0 归一化平方差匹配CV_TM_SQDIF ...
【OpenCV + Python】模板匹配
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.OpenCV 为我们提供了函数:cv2.matchTemplate().和2D 卷积一样,它也是用模板图像在输入图像(大图)上滑动,并在每一个位置 ...
MFC与Halcon混合编程--基于相关性的模板匹配
文章目录前言一.基于相关性的模板匹配二.基于相关性的模板匹配的代码实现 1.Halcon中完成基于相关性的模板匹配 2.MFC实现与Halcon混合编程 3.实现效果前言正在学习Halcon ...
python 模板匹配对比
对于形变,以下两种相关系数的效果比较好: cv2.TM_CCOEFF cv2.TM_CCOEFF_NORMED 其余四种会误检. 平方差匹配CV_TM_SQDIFF:用两者的平方差来匹配,最好的匹配 ...
java opencv 模板匹配算法_OpenCV探索之路（九）：模板匹配
模板匹配的作用在图像识别领域作用可大了.那什么是模板匹配? 模板匹配,就是在一幅图像中寻找另一幅模板图像最匹配(也就是最相似)的部分的技术. 说的有点抽象,下面给个例子说明就很明白了. 在上面这幅全明 ...
OpenCV（二十）模板匹配
目录一.基础理论 1.作用与过程 2.原理 3.函数matchTemplate 二.代码三.效果参考资料一.基础理论 1.作用与过程所谓的模板匹配,就是在给定的图片中查找和模板最相似的区域, ...
OpenCV之imgproc 模块. 图像处理（4）直方图均衡化直方图计算直方图对比反向投影模板匹配
直方图均衡化目标在这个教程中你将学到: 什么是图像的直方图和为什么图像的直方图很有用用OpenCV函数 equalizeHist 对图像进行直方图均衡化原理图像的直方图是什么? 直方图是图像 ...

模板匹配—归一化相关系数匹配算法

模板匹配—归一化相关系数匹配算法相关推荐

最新文章

热门文章