十一 模板匹配match template

一、介绍

1、模板匹配

通俗讲就是以图找图,通过图中的一部分来找它在图中的位置(模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域)。

模板匹配是一种最原始、最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物,这就是一个匹配问题。
它是图像处理中最基本、最常用的匹配方法。

2、作用有局限性

必须在指定的环境下,才能匹配成功,是受到很多因素的影响,所以有一定的适应性

模板匹配具有自身的局限性,主要表现在它只能进行平行移动,若原图像中的匹配目标发生旋转或大小变化,该算法无效。

3、工作原理

在待检测图像上,从左到右,从上向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。

常见的几种模板匹配算法

①TM_SQDIFF是平方差匹配;TM_SQDIFF_NORMED是标准平方差匹配。利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大。所以这个函数和其他函数是不一样的

②TM_CCORR是相关性匹配;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,越接近1表示匹配程度较高, 0表示最坏的匹配效果。

③TM_CCOEFF是相关性系数匹配;TM_CCOEFF_NORMED是标准相关性系数匹配。将模版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)。

总结:随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价)。

在这里我们是通过这三种方式来匹配:cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED

4、涉及函数

(1)目标匹配函数result = cv.matchTemplate(target,tpl,md)

函数原型为:matchTemplate(image, templ, method[, result[, mask]]) -> result

image 参数表示待搜索源图像,必须是8位整数或32位浮点。

templ 参数表示模板图像,必须不大于源图像并具有相同的数据类型。

method 参数表示计算匹配程度的方法。

result 参数表示匹配结果图像,必须是单通道32位浮点。如果image的尺寸为W x H,templ的尺寸为w x h,则result的尺寸为(W-w+1)x(H-h+1)。

(2)min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)

opencv的函数minMaxLoc:在给定的矩阵中寻找最大和最小值,并给出它们的位置。 该功能不适用于多通道阵列。 如果您需要在所有通道中查找最小或最大元素,要先将阵列重新解释为单通道。
函数minMaxLoc原型为:minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc
src参数表示输入单通道图像。
mask参数表示用于选择子数组的可选掩码。
minVal参数表示返回的最小值,如果不需要,则使用NULL。
maxVal参数表示返回的最大值,如果不需要,则使用NULL。
minLoc参数表示返回的最小位置的指针(在2D情况下); 如果不需要,则使用NULL。
maxLoc参数表示返回的最大位置的指针(在2D情况下); 如果不需要,则使用NULL。

tpl = cv.imread(‘11.jpg‘)
target = cv.imread(‘1.jpg‘)
cv.imshow(‘template_butterfly‘,tpl)
cv.imshow(‘target‘,target)
methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]
tpl_h,tpl_w = tpl.shape[:2]
for md in methods:
    result = cv.matchTemplate(target,tpl,md)    #result是模板图像去匹配源图像,在源图像的区域位置图像
    min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
    print("--------------%s--------------" % md)
    print("min_val", min_val)
    print("max_val", max_val)
    print("min_loc", min_loc)
    print("max_loc", max_loc)
    print("--------------%s--------------\n" % md)

--------------1--------------min_val 6.713293259963393e-05    #标准差越小,匹配效果越好max_val 0.6963181495666504min_loc (180, 90)max_loc (478, 235)--------------1--------------

--------------3--------------min_val 0.7413668632507324max_val 0.9770615100860596    #相关性越接近一,匹配效果越好min_loc (496, 85)max_loc (180, 90)--------------3--------------

--------------5--------------min_val -0.43208545446395874max_val 0.8136414289474487    #相关性越接近一,匹配效果越好min_loc (871, 75)max_loc (180, 90)--------------5--------------

查看min_loc和max_loc关系

cv.line(target,min_loc,max_loc,(0,255,255),2)

二、代码实现

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

def template_demo():
    tpl = cv.imread(‘11.jpg‘)
    target = cv.imread(‘1.jpg‘)
    cv.imshow(‘template_butterfly‘,tpl)
    cv.imshow(‘target‘,target)
    methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]
    tpl_h,tpl_w = tpl.shape[:2]
    for md in methods:
        result = cv.matchTemplate(target,tpl,md)    #result是模板图像去匹配源图像,再源图像的区域位置图像
        min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result) #获取的是每种公式中计算出来的值,每个像素点都对应一个值

     if md == cv.TM_SQDIFF_NORMED:
            t1 = min_loc    #最小位置指针
        else:
            t1 = max_loc    #最大位置指针
        br = (t1[0]+tpl_w,t1[1] + tpl_h)
        cv.rectangle(target,t1,br,(0,0,255),2)  #画个矩形
        #cv.line(target,min_loc,max_loc,(0,255,255),2)  #画条线,连接最小位置和最大位置(就是匹配的图片左上角和右下角)
        cv.imshow(‘match_%s‘%md,target)

template_demo()
cv.waitKey(0)
cv.destroyAllWindows()

原文地址:https://www.cnblogs.com/pacino12134/p/9870452.html

时间: 2024-10-11 00:26:04

十一 模板匹配match template的相关文章

使用Python+OpenCV进行图像模板匹配(Match Template)

http://bluewhale.cc/2017-09-22/use-python-opencv-for-image-template-matching-match-template.html 原文地址:https://www.cnblogs.com/eustoma/p/9403582.html

AVS AVL 模板匹配

https://docs.adaptive-vision.com/current/studio/machine_vision_guide/TemplateMatching.html 模板匹配 Template Matching 简单模板匹配 Naive Template Matching 基本原理 NCC(Normalized Cross-Correlation) 模板图像和输入图片匹配的结果也是一种图像 Template Correlation Image. 2.1 两种方法, 找出相关性最大

模式识别—最邻近模板匹配法

简介 在模式识别中一个最基本的方法,就是模板匹配法(template matching),它基本上是一种统计识别方法.  为了在图像中检测出已知形状的目标物,我们使用这个目标物的形状模板(或窗口)与图像匹配,在约定的某种准则下检测出目标物图像,通常称其为模板匹配法.它能检测出图像中上线条.曲线.图案等等.它的应用包括:目标模板与侦察图像相匹配:文字识别和语音识别等. 原理 我们采用以下的算式来衡量模板T(m,n)与所覆盖的子图Sij(i,j)的关系,已知原始图像S(W,H),如图所示: 利用以下

opencv笔记(二十二)——模板匹配 template matching

模板匹配就是在给定一幅图像和一幅模板(一般模板比图像的尺寸小很多)的情况下,找到这个图像中最最相似于模板的位置,比如 第一幅是给定的图片,第二幅是模板,第三幅就是搜索到的匹配的位置. 这个搜索的过程,我没有在源码中求索,但是根据tutorial,应该是采用sliding window的方法,利用滑动的窗口,逐像素进行匹配.这个逐像素的意思,就是锚定某个像素之后,在这个像素的右边和下方,以template的宽度和高度的距离的范围内,进行模板与图像的相似度计算. 这种方法和行人检测中常用的方法类似.

Opencv Match Template(轮廓匹配)

#include <iostream>#include <opencv2/opencv.hpp> using namespace std;using namespace cv; Mat img1, img2, img3, img4,img_result, img_gray1, img_gray2, img_gray3, img_hsv1, img_hsv2, img_hsv3;MatND img_hist1, img_hist2, img_hist3; char win1[] =

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成是一个样本数据的集合,如果它有一个子集与另外一个样本数据相互匹配则它的ncc值为1,表示相关性很高,如果是-1则表示完全不相关,基于这个原理,实现图像基于模板匹配识别算法,其中第一步就是要归一化数据,数学公式如下: 二:实现步骤 (1)      获取模板像素并计算均值与标准方差.像素与均值diff数据样本 (2)      根据

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",当相似度足够高时,就认为找到了我们的目标. 在 OpenCV 中,提供了相应的函数完成这个操作. matchTemplate 函数:在模板和输入图像之间寻找匹配,获得匹配结果图像 minMaxLoc 函数:在给定的矩阵中寻找最大和最小值,并给出它们的位置 在具体介绍这两个函数之前呢,我们还要介绍一个概念,就是如何来评价两

基于边界的模板匹配的原理及算法实现

最近被Halcon中的基于边缘的模板匹配算法吸引到了,故找到了一点点学习资料,供同行参阅,水平有限,大家多包含.本文算法很初级,做入门了解用.原文是英文,所以把原文copy 过来了,另加了一些中文.算法运行效果如下: [效果还行,只是原理性示意,不要要求太高了哦] Introduction Template matching is an image processing problem to find the location of an object using a template imag

基于opencv的视频流 模板匹配 (灰度化 二值化 )

#include <cv.h> #include <highgui.h> #include <windows.h> // 获取直方图 // 1. pImageData 图像数据 // 2. nWidth 图像宽度 // 3. nHeight 图像高度 // 4. nWidthStep 图像行大小 // 5. pHistogram 直方图 BOOL GetHistogram(unsigned char *pImageData, int nWidth, int nHeigh