opencv--使用opencv实现旋转角度的模板匹配

下面的例子是简单的使用opencv 实现的模板匹配流程,其中时间性能和精确度还需要调整,如果直接使用会出问题,所以这个只是例子,根据代码原理可以实现尺度变化的模板匹配和旋转尺度变化同时,具体根据实现的旋转代码进一步实现,但是就结果而言和halcon的模板匹配差距较大,性能更不行,因此仅供参考 ,同时本人整理了两个使用各种加速的高性能版本,有兴趣的可以下载看看

struct MatchResult
{std::vector<cv::Point> points;double angle;double score;MatchResult(std::vector<cv::Point> points, double angle, double score) :points(points), angle(angle), score(score) {};
};//旋转图像
cv::Mat ImageRotate(cv::Mat image, double angle)
{cv::Mat newImg;cv::Point2f pt = cv::Point2f((float)image.cols / 2, (float)image.rows / 2);cv::Mat M = cv::getRotationMatrix2D(pt, angle, 1.0);cv::warpAffine(image, newImg, M, image.size());return newImg;
}
std::vector<cv::Point> GetRotatePoints(cv::Size size, double angle) {// 定义模板图像的中心点cv::Point2f center(size.width / 2.0, size.height / 2.0);// 计算旋转矩阵cv::Mat rotationMatrix = cv::getRotationMatrix2D(center, angle, 1.0);// 定义模板图像的四个顶点std::vector<cv::Point2f> srcPoints = {cv::Point2f(0, 0),cv::Point2f(size.width, 0),cv::Point2f(size.width, size.height),cv::Point2f(0, size.height)};// 存储旋转后的四个顶点std::vector<cv::Point2f> dstPoints(4);// 进行仿射变换cv::transform(srcPoints, dstPoints, rotationMatrix);// 将结果转换为cv::Point类型并返回std::vector<cv::Point> resultPoints(4);for (int i = 0; i < 4; ++i) {resultPoints[i] = cv::Point(cvRound(dstPoints[i].x), cvRound(dstPoints[i].y));}return resultPoints;
}/*
旋转模板匹配函数(通过图像金字塔、增大旋转步长来提升匹配速度)
Mat src:原图像
Mat model:模板图
double startAngle:旋转的最小角
double endAngle:旋转的最大角
double firstStep:角度旋转时的最大步长
double secondStep:角度旋转时的最小步长
int numLevels = 0:图像金字塔缩放次数
*/
MatchResult rotateMatch(cv::Mat src, cv::Mat model, double startAngle, double endAngle, double firstStep, double secondStep, int numLevels = 0) {//对模板图像和待检测图像分别进行图像金字塔下采样for (int i = 0; i < numLevels; i++) {cv::pyrDown(src, src, cv::Size(src.cols / 2, src.rows / 2));cv::pyrDown(model, model, cv::Size(model.cols / 2, model.rows / 2));}cv::Mat rotatedImg, result;double score = -1;cv::Point location;double angle;bool isSecond = false;while (true) {for (double curAngle = startAngle; curAngle <= endAngle; curAngle += firstStep) {rotatedImg = ImageRotate(model, curAngle);//imshow("rotated", rotatedImg);//imshow("src-pyrDown", src);//waitKey();matchTemplate(src, rotatedImg, result, cv::TM_CCOEFF_NORMED);double minval, maxval;cv::Point minloc, maxloc;cv::minMaxLoc(result, &minval, &maxval, &minloc, &maxloc);if (maxval > score){location = maxloc;score = maxval;angle = curAngle;}}if (isSecond && firstStep<= secondStep) break;startAngle = angle - firstStep;endAngle = angle + firstStep;if ((endAngle - startAngle) / 5 > secondStep) {firstStep = (endAngle - startAngle) / 5;}else {firstStep = secondStep;isSecond = true;}}cv::Point finalPoint = cv::Point(location.x * pow(2, numLevels), location.y * pow(2, numLevels));std::vector<cv::Point> points = GetRotatePoints(cv::Size(model.cols * pow(2, numLevels), model.rows * pow(2, numLevels)), angle);for (int j = 0; j < points.size(); j++){points[j].x += finalPoint.x;points[j].y += finalPoint.y;}return MatchResult(points, angle, score);
}int main() {//读取所有图像std::vector<cv::Mat> imgs;std::string imageName;std::string path = "E:\\prj\\shape_based_matching-master\\test\\board\\test";std::vector<std::string> img_paths;cv::glob(path, img_paths);for (auto& p : img_paths){cv::Mat img = cv::imread(p);imgs.push_back(img);}cv::Mat templateImg = cv::imread("E:\\prj\\shape_based_matching-master\\test\\board\\train.png");cv::Rect box(cv::Point(135, 120), cv::Point(470, 365));//cv::rectangle(drawFrame, box, cv::Scalar(0, 255, 0), 2);templateImg = templateImg(box).clone();int i = 0;for (cv::Mat img : imgs){i += 1;MatchResult matchResult = rotateMatch(img, templateImg, 0, 360, 30, 0.1, 0);std::vector<cv::Point> points = matchResult.points;std::cout << i << "- 角度:" << matchResult.angle << std::endl;std::cout << i << "- 得分:" << matchResult.score << std::endl;cv::line(img, points[0], points[1], cv::Scalar(255, 0, 0), 2);cv::line(img, points[1], points[2], cv::Scalar(255, 0, 0), 2);cv::line(img, points[2], points[3], cv::Scalar(255, 0, 0), 2);cv::line(img, points[3], points[0], cv::Scalar(255, 0, 0), 2);cv::Point pt1 = cv::Point((points[0].x + points[3].x) / 2, (points[0].y + points[3].y) / 2);cv::Point pt2 = cv::Point((points[1].x + points[2].x) / 2, (points[1].y + points[2].y) / 2);cv::arrowedLine(img, pt2, pt1, cv::Scalar(0, 0, 255), 2);cv::imshow("img_" + std::to_string(i), img);cv::waitKey(0);}return 0;
}

结果如下:

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/diannao/25620.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

Nacos的配置中心

1.前言 除了注册中心和负载均衡之外, Nacos还是⼀个配置中心, 具备配置管理的功能. Namespace 的常用场景之一是不同环境的配置区分隔离&#xff0c; 例如开发测试环境和⽣产环境的配置隔离。 1.1 为什么需要配置中心&#xff1f; 当前项目的配置都在代码中&#xff0c;会存…

Django 部署指南

部署 Django 应用程序涉及将我们的应用程序从开发环境部署到生产环境&#xff0c;并确保它可以在生产服务器上安全运行和扩展。其实了解几种部署方案&#xff0c;相信你对将来的项目更得心应手。 1、问题背景 Django 是一款流行的 Python Web 框架&#xff0c;但对于新手来说&…

elasticsearch hanlp 插件安装操作

elasticsearch hanlp 插件安装操作 下载 hanlp 插件上传hanlp插件到elasticsearch服务器安装hanlp插件kibana测试 下载 hanlp 插件 这里大家根据自己对应的 elasticsearch 版本下载匹配版本的 hanlp 插件&#xff0c;由于 hanlp 及 elasticsearch 各个版本之间差别较大&#x…

将克隆到本地的6.824项目上传到自己的github

前置知识见&#xff1a;把自己在本地完成的mit6.s081项目上传到自己的github仓库里_mit6.s081 lab上传-CSDN博客 先在github建立一个自己的仓库 由于github可以给自己的主分支改名了&#xff0c;我这次是勾选了创建README文件 在本地同样是建立一条remote分支 git remote add…

Ant Design Vue Table组件全单元格编辑实现方案

在ant上的table常见用法是一行的元素可编辑&#xff0c;如下&#xff1a; 但是现在有一个需求是全部单元格均可编辑&#xff0c;如何实现呢&#xff1f; 表格组件 <a-tablev-if"query.personnel_type 0"size"middle"row-key"id":scroll&qu…

web前端分离:解析其深层含义与影响

web前端分离&#xff1a;解析其深层含义与影响 在现今的web开发领域&#xff0c;前端分离已经成为一个不可忽视的趋势。那么&#xff0c;web前端分离究竟意味着什么呢&#xff1f;本文将从四个方面、五个方面、六个方面和七个方面&#xff0c;深入剖析其内涵&#xff0c;并探讨…

【CS.OS】操作系统如何使用分页和分段技术管理内存

1000.5.CS.OS.1.3-基础-内存管理-操作系统如何使用分页和分段技术管理内存-Created: 2024-06-09.Sunday10:24 操作系统的内存管理是一个复杂而关键的功能&#xff0c;它确保了程序可以高效、安全地运行。虚拟内存管理是其中一个重要的概念&#xff0c;它通过分页和分段技术来实…

Leetcode刷题笔记8

162. 寻找峰值 162. 寻找峰值 - 力扣&#xff08;LeetCode&#xff09; 对于所有有效的 i 都有 nums[i] ! nums[i 1] 解法一&#xff1a;暴力解法 从第一个位置一直向后走&#xff0c;然后分情况即可1. 第二个元素就往下降&#xff0c;那么第一个元素就是峰顶 2. 一直遍历…

温度传感器十大品牌

温度传感器品牌排行榜-十大热电偶品牌-热敏电阻品牌排行-Maigoo品牌榜

【Vue】获取模块内的mutations方法

目标&#xff1a; 掌握模块中 mutation 的调用语法 注意&#xff1a; 默认模块中的 mutation 和 actions 会被挂载到全局&#xff0c;需要开启命名空间&#xff0c;才会挂载到子模块。 调用方式&#xff1a; 直接通过 store 调用 $store.commit(模块名/mutations名 , 额外…

k8s面试题大全,保姆级的攻略哦(三)

目录 1、简述ETCD及其特点? 2、简述ETCD适应的场景? 3、简述什么是Kubernetes? 4、简述Kubernetes和Docker的关系? 5、简述Kubernetes中什么是Minikube、Kubectl、Kubelet? 6、简述Kubernetes常见的部署方式? 7、简述Kubernetes如何实现集群管理? 8、简述Kubern…

卷积 - 感受野(Receptive Field)

卷积 - 感受野&#xff08;Receptive Field&#xff09; flyfish 感受野&#xff08;Receptive Field&#xff09;是指卷积神经网络中某一层的一个特定神经元能够“看到”并响应的输入图像区域。简单来说&#xff0c;它是指卷积核在输入图像上滑动过程中每次覆盖的区域。感受…

09-Eureka-搭建eureka服务

09-Eureka-搭建eureka服务 1.动手实践&#xff1a; 1.搭建EurekaServer 2.将user-service、order-service都注册到Eureka 3.在order-service中完成服务拉取&#xff0c;然后通过负载均衡挑选一个服务&#xff0c;实现远程调用 2.搭建EurekaServer服务步骤如下&#xff1a; 1.…

【设计模式】结构型设计模式之 组合模式

介绍 这里的组合模式&#xff0c;与之前的设计模式中的"组合关系"完全是两码事&#xff0c;这里的组合模式主要用来处理结构为树形的数据。 组合模式&#xff08;Composite Pattern&#xff09;是一种结构型设计模式&#xff0c;它允许你将对象组合成树状结构来表示…

MongoDB ObjectId 详解

MongoDB ObjectId 详解 MongoDB 是一个流行的 NoSQL 数据库,它使用 ObjectId 作为文档的唯一标识符。ObjectId 是一个 12 字节的 BSON 类型,它在 MongoDB 中用于保证每个文档的唯一性。本文将详细解释 ObjectId 的结构、生成方式以及它在 MongoDB 中的应用。 ObjectId 的结…

2024年水利水电安全员考试题库及答案

一、单选题 1.在各类有机电解质之间&#xff0c;其毒性大小排序正确的是&#xff08;&#xff09;。 A.脂肪煙〉醇&#xff1e;酮&#xff1e;环煙〉芳煙 B.脂肪煙&#xff1e;醇&#xff1e;酮〉芳煙〉环煙 C.芳煙〉醇&#xff1e;酮&#xff1e;环煙〉脂肪煙 D.芳煙〉酮…

【C++】函数模板和类模版

目录 前言 模板参数 类型模板参数 非类型模板参数 模板的特化 函数模板的特化 类模板的特化 全特化 偏特化 模板的分离编译 模板总结 前言 函数模板和类模板是C模板编程中的两个核心概念&#xff0c;它们允许程序员编写泛型代码&#xff0c;这些代码可以在多种数据…

月薪70-100k,京东招ML算法工程师和运筹优化专家!

Datawhale分享 推荐&#xff1a;黄玉琳&#xff0c;京东&#xff0c;Datawhale成员 团队介绍 我们是京东零售集团供应链算法优化团队&#xff0c;通过在人工智能与运筹优化领域的持续性技术革新,为京东自营千万级商品提供算法策略支持,实现了以用户为中心的供应链管理和更高效…

常用PromQL语句

常用PromQL语句 1. 查询CPU使用率&#xff1a;2. 查询内存使用率&#xff1a;3. 查询磁盘使用率&#xff1a;4. 查询网络带宽使用率&#xff1a;5. 查询数据库连接数&#xff1a;6. 查询HTTP请求响应时间&#xff1a;7. 查询日志错误数量&#xff1a;8. 查询系统负载&#xff1…

我的创作纪念日-2024年6月10日

机缘 最开始写博客的想法很单纯&#xff0c;记录自己的学习过程在以后可以随时回顾自己需要的知识。 收获 从第一篇博客到现在最明显的变化就是自己做实验和写东西的思路越来越规范了&#xff0c;学习了解实现的东西也更加具体了。通过一篇篇博客我看到了自己在一点点积累&am…