基于matlab的可乐标签模板匹配

1 建模思路

1.图像预处理

  • 如果目标图像和模板图像是彩色的(即RGB图像),则将它们转换为灰度图像,以便在单通道上进行匹配。
  • 使用rgb2gray函数进行灰度化。

2.获取模板大小

  • 使用size函数获取模板图像的高度(templateHeight)和宽度(templateWidth)。

3.初始化差异矩阵

  • 创建一个矩阵differenceMatrix,其大小为目标图像大小减去模板大小再加1(因为不需要考虑模板边界之外的位置)。
  • 这个矩阵将用于存储目标图像中每个可能位置与模板图像之间的平方差之和。

4.遍历目标图像

  • 使用两个嵌套的for循环遍历目标图像中的每个可能位置(即模板可以放置的每个位置)。

5.提取子图像

  • 对于目标图像中的每个可能位置,提取一个与模板大小相同的子图像。

6.计算平方差之和

  • 对于每个子图像和模板图像,计算它们之间的平方差之和。
  • 平方差之和的公式为:

        其中,S(i,j) 是目标图像中子图像在位置 (i,j) 的像素值,T(i,j) 是模板图像在相应位置的像素值,templateHeight 和 templateWidth 分别是模板图像的高度和宽度。这个公式用于计算目标图像中每个可能位置与模板图像之间的平方差之和,以找到最佳匹配位置。

7.找到最佳匹配位置

  • differenceMatrix中找到最小平方差的位置,即最佳匹配位置。
  • 使用min函数找到最小值及其索引。

8.绘制匹配结果

  • 使用imshow函数显示目标图像。
  • 使用rectangle函数在最佳匹配位置绘制一个绿色矩形框。

        通过这种方式,代码实现了基于平方差之和的模板匹配算法,用于在目标图像中找到与模板图像最匹配的位置。

2 代码

% 读取目标图像和模板图像  
targetImage = imread('image.png'); % 替换为您的目标图像文件  
templateImage = imread('template.png'); % 替换为您的模板图像文件  
figure;
subplot(1,2,1),imshow(targetImage);
title('原始目标图像');
subplot(1,2,2),imshow(templateImage);
title('原始模板图像');
% 转换为灰度图像(如果它们不是)  
if size(targetImage, 3) == 3  targetImage = rgb2gray(targetImage);  
end  
if size(templateImage, 3) == 3  templateImage = rgb2gray(templateImage);  
end  % 获取模板图像的大小  
[templateHeight, templateWidth] = size(templateImage);  % 初始化一个矩阵来存储每个位置的平方差之和  
differenceMatrix = zeros(size(targetImage) - [templateHeight-1, templateWidth-1]);  % 遍历目标图像中的每个可能位置  
for y = 1:size(targetImage, 1) - templateHeight + 1  for x = 1:size(targetImage, 2) - templateWidth + 1  % 提取目标图像中当前位置的子图像  subImage = targetImage(y:y+templateHeight-1, x:x+templateWidth-1);  % 计算子图像与模板图像之间的平方差之和  differenceMatrix(y, x) = sum(sum((double(subImage) - double(templateImage)).^2));  end  
end  % 找到最小平方差的位置(即最佳匹配)  
[minVal, minLoc] = min(differenceMatrix(:));  
[bestY, bestX] = ind2sub(size(differenceMatrix), minLoc);  % 绘制匹配到的矩形区域  
figure;
subplot(1,3,1),imshow(targetImage);
title('灰色目标图像');
subplot(1,3,2),imshow(templateImage);
title('灰色模板图像');
subplot(1,3,3),imshow(targetImage); hold on;  
rectangle('Position', [bestX, bestY, templateWidth, templateHeight], 'EdgeColor', 'g', 'LineWidth', 2);  
title('匹配结果');  
hold off;

3 运行结果

图2-1 原始目标图像与原始模板图像

图2-2 模板匹配结果

        为了看清匹配结果,这里对匹配结果图像局部放大如图2-3所示:

图2-3 匹配结果局部放大图

        从图2-3可以看出本文建模比较成功。

4 调整

        这里对目标图像与模板图像不再灰度化直接进行模板匹配,且矩形标记线宽进行微调。

4.1 代码
% 读取目标图像和模板图像  
targetImage = imread('image.png'); % 替换为您的目标图像文件  
templateImage = imread('template.png'); % 替换为您的模板图像文件   % 确保模板图像小于或等于目标图像  
[templateRows, templateCols, ~] = size(templateImage);  
[targetRows, targetCols, ~] = size(targetImage);  
if templateRows > targetRows || templateCols > targetCols  error('模板图像不能大于目标图像');  
end  % 初始化一个存储最小差值和对应位置的变量  
minDiff = Inf;  
bestLoc = [0, 0];  % 遍历目标图像,寻找与模板图像的最佳匹配  
for i = 1:targetRows-templateRows+1  for j = 1:targetCols-templateCols+1  % 提取目标图像中与模板大小相同的子图像  subImage = targetImage(i:i+templateRows-1, j:j+templateCols-1, :);  % 计算子图像与模板图像之间的绝对差值  diff =imabsdiff(subImage, templateImage);  % 计算方差和  sumDiff = sum(diff(:).^2);  % 如果和更小,则更新最小差值和位置  if sumDiff < minDiff  minDiff = sumDiff;  bestLoc = [i, j];  end  end  
end  % 绘制绿色矩形框以显示定位结果  
figure;
subplot(1,3,1),imshow(targetImage);
title('目标图像');
subplot(1,3,2),imshow(templateImage);
title('模板图像');
subplot(1,3,3),imshow(targetImage);  
hold on;  
rectangle('Position', [bestLoc(2), bestLoc(1), templateCols, templateRows], 'EdgeColor', 'g', 'LineWidth', 0.5);  
title('匹配结果');  
hold off;
4.2 运行结果

图4-1 调整模板匹配结果

        这里放大模板匹配结果进行观察如图4-2所示:

图4-2 调整模板匹配结果局部放大图

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/38333.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Static关键字在Java中的多种用途解析

Static关键字在Java中的多种用途解析 大家好&#xff0c;我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编&#xff0c;也是冬天不穿秋裤&#xff0c;天冷也要风度的程序猿&#xff01; **1. Static关键字概述 在Java中&#xff0c;static是一个关键字&#…

2000-2022年上市公司数字化转型与绿色创新质量匹配数据(含控制变量)

2000-2022年上市公司数字化转型与绿色创新质量匹配数据&#xff08;含控制变量&#xff09;https://download.csdn.net/download/a519573917/89501000 目录 上市公司数字化转型与绿色创新质量匹配的实证研究 一、引言 二、文献综述 三、实证模型 四、数据来源与描述性统计 …

张量 Tensor

张量 Tensor 张量&#xff08;Tensor&#xff09;是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数&#xff0c;这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 &#x1d45b;&#x1d45b; 维空间内&#xff0c;有  &#x1…

tomcat8.5在windows下运行出现日志中文乱码

更多ruoyi-nbcio功能请看演示系统 gitee源代码地址 前后端代码&#xff1a; https://gitee.com/nbacheng/ruoyi-nbcio 演示地址&#xff1a;RuoYi-Nbcio后台管理系统 http://218.75.87.38:9666/ 更多nbcio-boot功能请看演示系统 gitee源代码地址 后端代码&#xff1a; h…

Linux 2-Vim使用

1 什么是vi及vim&#xff1f; vi是文本编辑器&#xff1b;vim是程序开发工具。 2 vi的几种模式 1 一般模式&#xff1a;vi <fileName> 就进入命令模式&#xff0c;可以删除或者复制粘贴 2 编辑模式&#xff1a;修改内容 3 命令行模式&#xff1a;最下面一行&#xf…

NetSuite Amount正负符号在Saved Search和DataSet中的不同含义

近期在一个项目中碰到Amount取值的Bug&#xff0c;原因是我们的代码中数据源从Saved Search转为了DataSet&#xff0c;由于这个转换导致了Amount的正负值混乱。今天记录一下。 正负号原则 • Saved Search&#xff0c; Amount的正负需要考虑科目类型。 Amount字段根据科目类型…

昇思25天学习打卡营第10天 | 基于MindNLP+MusicGen生成自己的个性化音乐

基于MindNLPMusicGen生成自己的个性化音乐 MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型&#xff08;LM&#xff09;的音乐生成模型&#xff0c;能够根据文本描述或音频提示生成高质量的音乐样本&#xff0c;相关研究成果参考论文《Simple and Controllable …

远程过程调用PRC

简介 远程过程调用&#xff08;Remote Procedure Call, RPC)&#xff0c;是一个计算机通信协议。该协议允许运行于一台计算机的程序调用另一个地址空间的子程序&#xff0c;且不需要考虑交互作用的细节。 RPC是一种服务器&#xff0c;客户端模式&#xff0c;是一个通过发送请…

【效率提升】新一代效率工具平台utools

下载地址&#xff1a;utools uTools这款软件&#xff0c;是一款功能强大且高度可定制的效率神器&#xff0c;使用快捷键alt space(空格) 随时调用&#xff0c;支持调用系统应用、用户安装应用和市场插件等。 utools可以调用系统设置和内置应用&#xff0c;这样可以方便快捷的…

KV260视觉AI套件--PYNQ-DPU

目录 1. 简介 2. DPU 原理介绍 2.1 基本原理 2.2 增强型用法 3. DPU 开发流程 3.1 添加 DPU IP 3.2 在 BD 中调用 3.3 配置 DPU 参数 3.4 DPU 与 Zynq MPSoC互联 3.5 分配地址 3.6 生成 Bitstream 3.7 生成 BOOT.BIN 4. 总结 1. 简介 在《Vitis AI 环境搭建 &…

MyBatis(16)如何在 MyBatis 中调用存储过程和函数

在MyBatis中调用存储过程和函数是一个相对高级的特性&#xff0c;它允许开发者在数据库层面封装复杂的业务逻辑&#xff0c;并通过MyBatis直接调用这些逻辑。这样做的好处是可以减少应用层的负担&#xff0c;同时利用数据库的性能优势。以下是如何在MyBatis中调用存储过程和函数…

深入理解TCP协议格式(WireShark分析)

传输控制协议&#xff08;TCP&#xff09;是互联网中最为关键的通信协议之一。了解TCP协议的细节不仅对于网络工程师至关重要&#xff0c;对于任何涉及网络通信的软件开发人员而言都是必备的知识。本文旨在深入探讨TCP协议&#xff0c;从协议的基本概述到其工作机制&#xff0c…

【sqlite3】联系人管理系统

SQLite3实现简单的联系人管理系统 有关sqlite3的基础知识请点击&#xff1a;SQLite3的使用 效果展示&#xff1a; 创建一个名为contacts.db的数据库 首先&#xff0c;我们需要创建一个名为contacts.db的数据库&#xff0c;并建立一个名为"contact"的表&#xff0…

一篇文章理解堆栈溢出

一篇文章理解堆栈溢出 引言栈溢出ret2text答案 ret2shellcode答案 ret2syscall答案 栈迁移答案 堆溢出 unlink - UAF堆结构小提示 向前合并/向后合并堆溢出题答案 引言 让新手快速理解堆栈溢出&#xff0c;尽可能写的简单一些。 栈溢出 代码执行到进入函数之前都会记录返回地…

如何选择向量数据库Milvus Cloud合适的 Embedding 模型?

检索增强生成(RAG)是生成式 AI (GenAI)中的一类应用,支持使用自己的数据来增强 LLM 模型(如 ChatGPT)的知识。 RAG 通常会用到三种不的AI模型,即 Embedding 模型、Rerankear模型以及大语言模型。本文将介绍如何根据您的数据类型以及语言或特定领域(如法律)选择合适的…

【408考点之数据结构】排序的基本概念

排序的基本概念 排序是计算机科学中的一个基本操作&#xff0c;目的是将一组无序的数据元素按照特定的顺序排列起来。排序在数据管理、检索和分析中有着广泛的应用&#xff0c;能够提高数据处理的效率和准确性。 1. 排序的定义 排序&#xff08;Sorting&#xff09;是指将一…

Android 10.0 关于定制自适应AdaptiveIconDrawable类型的动态日历图标的功能实现系列一

1.前言 在10.0的系统rom定制化开发中,在关于定制动态时钟图标中,原系统是不支持动态日历图标的功能,所以就需要从新 定制动态时钟图标关于自适应AdaptiveIconDrawable类型的样式,就是可以支持当改变系统图标样式变化时,动态日历 图标的背景图形也跟着改变,所以接下来就来…

BGE M3-Embedding 模型介绍

BGE M3-Embedding来自BAAI和中国科学技术大学&#xff0c;是BAAI开源的模型。相关论文在https://arxiv.org/abs/2402.03216&#xff0c;论文提出了一种新的embedding模型&#xff0c;称为M3-Embedding&#xff0c;它在多语言性&#xff08;Multi-Linguality&#xff09;、多功能…

19 解决问题的策略

众所周知&#xff0c;每个学期都会有一个单元“解决问题的策略”。而在此文章&#xff0c;我们会把小学阶段所有策略都进行一一讲解。 每个年级的两个学期中的策略&#xff0c;其实有异曲同工之处。 三年级&#xff1a;从条件和问题出发解决问题四年级&#xff1a;用图表整理…

随想录 Day 74 Bellman_ford

随想录 Day 74 Bellman_ford Bellman_ford 队列优化 94. 城市间货物运输 I 时间限制&#xff1a;1.000S 空间限制&#xff1a;256MB 题目描述 某国为促进城市间经济交流&#xff0c;决定对货物运输提供补贴。共有 n 个编号为 1 到 n 的城市&#xff0c;通过道路网络连接&…