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

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。
在这里插入图片描述

二、代码应用

OpenCV中的函数:

result = cv2.matchTemplate(	image, templ, method[, result[, mask]] )

参数如下所示:

  1. image:待搜索的原图,必须是灰度图或4通道图。
  2. templ:模板图像,必须不大于原图像并具有相同的数据类型。
  3. method:表示计算匹配程度的方法。在这里插入图片描述
    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:
在这里插入图片描述
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:
在这里插入图片描述
三种匹配方法的效果如下所示:

cv2.TM_SQDIFF_NORMED:

在这里插入图片描述
cv2.TM_CCORR_NORMED:

在这里插入图片描述
cv2.TM_CCOEFF_NORMED:

在这里插入图片描述
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。

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/news/491590.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

李剑锋:意识科学就在身边

来源: 科技日报-中国科技网近些年,生命科学家开始关注神奇的大脑,因此各国纷纷提出各自的脑计划;当前有一个更基础的、但极富争议性的领域却被大家忽视了,就是意识科学。事实脑计划的终点应该就是意识科学,但由于目前大…

tf.train.get_checkpoint_state

函数功能:找出训练时保存的模型 ckpt.model_checkpoint_path可以找出所有模型中最新的模型 ckpt tf.train.get_checkpoint_state(/mnist/summary/train) if ckpt and ckpt.model_checkpoint_path:print(ckpt.model_checkpoint_path) 输出: /mnist/s…

永恒的终结

无意间在豆瓣发现这本书,是阿西莫夫写的,对他的基地系列和银河帝国系列仰慕很久了,却因太长没有时间看.看这本<<永恒的终结>>篇幅不是很长,也就拿过来看了. 故事是这样的.在24世纪一个叫马兰松的的科学家发明了一种叫"时空力场"的东西,东西太超前,人们在…

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&#xff08;含代码&#xff09;一、人脸识别概要1.1 人脸检测1.2 人脸对齐&#xff08;Face Alignment&#xff09;1.3 人脸特征提取&#xff08;Face Feature Extraction&#xff09;1.4 人脸识别&#xff08;Face Recognition&am…

清华大学:人工智能之知识图谱(附PPT)

来源&#xff1a;笑看国际风云【导读】知识图谱&#xff08;Knowledge Graph)是人工智能重要分支知识工程在大数据环境中的成功应用&#xff0c;知识图谱与大数据和深度学习一起&#xff0c;成为推动互联网和人工智能发展的核心驱动力之一。基于此背景&#xff0c;《人工智能之…

RandomShuffleQueue '_1_input/shuffle_batch/random_shuffle_queue' is closed and has insufficient elem

TensorFlow报错&#xff1a; RandomShuffleQueue _1_input/shuffle_batch/random_shuffle_queue is closed and has insufficient elements (requested 128, current size 0) image tf.decode_raw(features[image_raw], tf.float32) 将tf.float32改成tf.float64或者tf.uint…

Day10

会议讨论 628&#xff1a;今天是冲刺的最后一天了&#xff0c;好紧张好激动&#xff0c;我们组还有好些个功能没实现呢&#xff0c;感觉崩崩哒&#xff01;还要实现选择不同的专业导入不同的课表呢。 601&#xff1a;在修改教师帐号信息的页面要有当密码格式、用户名格式等不符…

有关EUV光刻机,你需要知道这些

来源&#xff1a;technews晶圆制造产业进入7 纳米制程之后&#xff0c;目前全世界仅剩台积电与三星&#xff0c;再加上号称自家10 纳米制程优于竞争对手7 纳米制程的英特尔等&#xff0c;有继续开发能力之外&#xff0c;其他竞争者因须耗费大量金钱与人力物力的情况下&#xff…

读取打印TFRecord格式数据

在读取和打印TFRecord格式数据时&#xff0c;必须加入线程机制&#xff0c;否则打印不出任何结果 import tensorflow as tffilename_queue tf.train.string_input_producer([train.tfrecords], shuffleTrue) reader tf.TFRecordReader() _, serialized_example reader.read…

Java finally 的用法

Java finally 的用法&#xff0c;看这一篇就够了

我的iOS学习历程 - UISegmentedControl

今天学习的是UISegmentedControl,相当于一个切换的分区栏,例如看小说会分最新,最热等,可以用此控件来进行切换 1.初始化(用数组进行初始化)并添加到视图上 // 数组中初始化必须是字符串 或者 图片 // 如果选用图片初始化 必须使用镂空图NSArray *stringArray ["第…

多家巨头实测鸿蒙系统:比安卓快60%

来源&#xff1a;腾讯新闻&#xff0c;数码科技大爆炸众所周知&#xff0c;近期&#xff0c;华为被打压和打击的事件一直没有停止&#xff0c;但华为并没有坐以待毙&#xff0c;很快就启动了“备胎计划”给予积极的回击和反击&#xff0c;像保险柜里的海思“备胎芯片”、华为自…

numpy将bool值转换成数值

用np.array().astype(int) label np.array([0, 1, 0]) predict_label np.array([1, 0, 0]) false_num np.array(label ! predict_label).astype(int) print(false_num) # [1 1 0]

混淆矩阵及分类性能评估方法

混淆矩阵&#xff1a; 公式&#xff1a;其中TPR又叫召回率Recall

《细胞》:打破百年生物学法则,记忆可以遗传给下一代,甚至可能跨越多代...

来源&#xff1a;转载自iNature许多人推测大脑活动可能以某种方式产生可遗传的变化&#xff0c;这将影响下一代的命运。然而&#xff0c;这一想法虽然具有吸引力&#xff0c;却挑战了生物学的基本法则之一&#xff0c;也被称为“生物学的第二定律”&#xff0c; “Weismann障碍…

java对象初始化顺序

java对象初始化顺序

深度学习需要注意的11个方面

转自https://blog.csdn.net/u014365862/article/details/77961624 如果你的神经网络不工作&#xff0c;该怎么办&#xff1f;本文作者列举了搭建神经网络时可能遇到的11个常见问题&#xff0c;包括预处理数据、正则化、学习率、激活函数、网络权重设置等&#xff0c;并提供解决…

欢迎参加城市大脑与智慧城市前沿趋势 主题论坛 |未来科技大讲堂 第12期

近年来&#xff0c;智慧城市建设出现新的动向&#xff0c;包括城市大脑、城市云脑、城市超级大脑、城市超脑、城市神经网络等“泛城市大脑”概念也大量涌现。杭州、上海、北京、广州等城市各自提出和开展了不同城市大脑建设方案&#xff0c;其中上海市开展了以建设城市神经元系…

JavaSE——Java介绍与环境变量简述

第1节 Java介绍 1、Java的起源与演变 略 2、Java体系与特点 Java体系 &#xff1a; Java SE&#xff1a;标准版&#xff1a;各应用平台的基础&#xff0c;桌面开发和低端商务应用的解决方案。 Java EE&#xff1a;企业版&#xff0c;以企业为环境而开发应用程序的解决方案…