模板匹配

概念

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与图像被模板覆盖的地方的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1) (通过.shape查看验证)

匹配算法	method
平方差匹配法：计算平方不同，计算出来的值越小，越相关	cv2.TM_SQDIFF
归一化平方差匹配法：计算归一化平方不同，计算出来的值越接近0，越相关	cv2.TM_SQDIFF_NORMED
相关匹配法：计算相关性，计算出来的值越大，越相关	cv2.TM_CCORR
归一化相关匹配法：计算归一化相关性，计算出来的值越接近1，越相关	cv2.TM_CCORR_NORMED
相关系数匹配法：计算相关系数，计算出来的值越大，越相关	cv2.TM_CCOEFF
归一化相关系数匹配法：计算归一化相关系数，计算出来的值越接近1，越相关	cv2.TM_CCOEFF_NORMED

通常来讲，随着从简单测量方法（平方差）到更复杂的测量方法（相关系数法），我们可以获得越来越准确的匹配。然而这同时也会以越来越大的计算量为代价。对于选取何种方法，针对不同的匹配情况进行对此分析比较，选取更适合自己应用场景同时兼顾速度和精度的最佳方案。一般使用归一化的。

cv2.minMaxLoc()函数会返回四个值——最小值及其位置、最大值及其位置（这里的位置是匹配框左上角顶点的坐标位置）

import cv2img = cv2.imread('./image/img1.jpg', 0)
template = cv2.imread('./image/template.png', 0)
h, w = template.shape[:2]
# print(img.shape)
# print(template.shape)
# (225, 203)
# (82, 100)
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# print(res.shape) --> (144, 104)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

理解：利用这个函数找最大值最小值，以及从六种中选择出的匹配算法，两者结合，得到最匹配的点的坐标。由于这个点是匹配框的左上顶点，我们再求得模板图像的长和宽，有左上顶点、长、宽，即可得到与模板匹配的图像

单对象模板匹配

import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./image/img1.jpg', 0)template = cv2.imread('./image/template.png', 0)
h, w = template.shape[:2] # 切片，取shape的前两个值代表模板长宽，不取第三个值（代表BGR）# 六种匹配方法
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR','cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']for meth in methods:img2 = img.copy()  # 不然原图会被覆盖# eval 语句用来计算存储在字符串中的有效 Python 表达式method = eval(meth)# 模板匹配res = cv2.matchTemplate(img, template, method)# 寻找最值min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)# 使用不同的比较方法，对结果的解释不同# 如果是平方差匹配或归一化平方差匹配，取最小值if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:top_left = min_locelse:top_left = max_locbottom_right = (top_left[0] + w, top_left[1] + h)# 画矩形cv2.rectangle(img, top_left, bottom_right, 255, 2)# 展示plt.subplot(121), plt.imshow(res, cmap='gray')plt.title('Matching Result'), plt.xticks([]), plt.yticks([])  # 隐藏坐标轴plt.subplot(122), plt.imshow(img, cmap='gray')plt.title('Detected Point'), plt.xticks([]), plt.yticks([])plt.suptitle(meth)plt.show()

注意到其中有一个匹配算法的结果匹配的不好

多对象模板匹配

import cv2
import numpy as npimg_rgb = cv2.imread('./image/img1.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('./image/template.png', 0)
h, w = template.shape[:2]# 选择的匹配算法是相关系数法
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.4
# 取匹配程度大于%40的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数bottom_right = (pt[0] + w, pt[1] + h)# 画矩形cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
cv2.imshow("img", img_rgb)
cv2.waitKey(0)

---

直方图

• 什么是直方图？你可以将直方图视为图形或绘图，从而为你提供有关图像强度分布的总体思路。它是X轴上的像素值(范围从0到255，并非总是)和Y轴上图像中相应像素数量的绘图。

• 一些直方图相关的术语

  BINS：上面的直方图显示每个像素值的像素数量，即从0到255。也就是说，你需要256个值来显示上述的直方图。但是请考虑，如果您不需要分别查找所有像素值的像素数量，但是像素值的间隔中的像素数量是多少？例如，你需要找到位于10到15之间，然后是16到31，…,240到255之间的像素值。你只需要16个值来表示直方图。这就是OpenCV教程中关于直方图的例子。

  因此，你所做的只是将整个直方图拆分成16个子部分，每个子部分的值是其中所有像素数的总和。这个子部分被称为“BIN”。在第一种情况下，BINS中的每组的像素数目都是256，而在第二种情况下，它仅为16个。在OpenCV中，BINS由术语hitSize表示。

  DIMS:这是我们收集数据的参数数量。在这种情况下，我们只收集强度值的数量，所以这里是1.

  RANGE：这是你要测量的强度值的范围。通常，它是[0,256],即所有强度值。

1.查找直方图

1）OpenCV中的直方图计算

我们使用cv2.calcHist()函数来查找直方图。让我们熟悉这个函数及其参数：

Cv2.calcHist(image,channels,mask,hitSize,range[,hist[,accumulate]])

• image(图像)：它是类型为uint8或者float32的源图像。应该用方括号给出，即“[img]”.
• .Channels(通道)：它也是被放在方括号内。它是我们计算直方图的通道的索引。例如，如果输入是灰度图像，则其值为[0].对于彩色图像，可以分别通过[0],[1]或者[2]计算蓝色、绿色或者红色通道的直方图 。
• Mask(掩膜)：要查找完整图像的直方图，它会显示为“无”。但是，如果你想找到特定区域的图像直方图，你必须为此创建一个蒙版图像并将其作为蒙版
• histSize：这代表我们的BIN数量。需要用方括号给出。对于全尺寸，我们传入[256].
• Range(范围)：通常情况下，它是[0,256].

img = cv2.imread('1.jpg', 0)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
#hist是一个256*1的数组，每个值对应于图像中具有相应像素值的像素数
print(hist)

2）Numpy中的直方图计算

img = cv2.imread('1.jpg', 0)

hist, bins = np.histogram(img.ravel(), 256, [0, 256])

print("hist", hist)

print("bins", bins)

hist与我们之前计算的相同。但是bins将有257个元素因为Numpy计算bins为0-0.99，1-1.99，2-2.99等。为了表示这一点，他们还在bins的末尾加上256.但我们不需要高达256，255就够了。OpenCV函数比np.histogram()要快(大约40倍)。所以坚持使用OpenCV函数。

2.绘制直方图

两种方法：

Ø Shortway:使用matplotlib绘图函数

Ø Long way：使用OpenCV绘图函数

1）使用Matplotlib（主要）

Matplotlib带有一个直方图绘制函数：matplot.pyplot.hist()

它直接找到直方图并绘制它.不需要使用calcHist（）或者np.histogram（）函数来查找直方图。

`import cv2`
`from matplotlib import pyplot as plt`
`img = cv2.imread('home.jpg',0)`
`plt.hist(img.ravel(),256,[0,256]); plt.show()`

或者你可以使用matplotlib的正常绘制方式，这对BGR绘制是有利的.为此，你首先需要查找直方图数据。

`import cv2`
`from matplotlib import pyplot as plt``img = cv2.imread('8.jpg')`
`color = ('b', 'g', 'r')`
`for i, col in enumerate(color): # 枚举``histr = cv2.calcHist([img], [i], None, [256], [0, 256])``plt.plot(histr, color=col)``plt.xlim([0, 256])`
`plt.show()`

2）使用OpenCV

用OpenCV的话，你可以将直方图的值与其二进制一起调整为x,y坐标，以便你可以使用cv2.line()或cv2.polyline()函数绘制它以生成与上面相同的图像。这已经在OpenCV-Python2官方demo中可用。

3.掩膜的应用

我们使用cv2.calcHist()来查找完整图像的直方图。如果你想查找图像中某些区域的直方图，该怎么办？只需在想查找直方图的区域创建一个带白色的蒙版图像，否则就是黑色。然后将它作为掩膜。

例子：

img = cv2.imread('2.jpg')`#创建一个掩膜`mask = np.zeros(img.shape[:2], dtype='uint8')`
mask[100:300, 100:400] = 255`
masked_img = cv2.bitwise_and(img, img, mask=mask)`#计算有掩膜和没有掩膜时的直方图`#只需改变第三个参数`hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])`
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])`plt.subplot(221), plt.imshow(img, 'gray'), plt.title("origianl")`
plt.subplot(222), plt.imshow(mask, 'gray'), plt.title('mask')`
plt.subplot(223), plt.imshow(masked_img, 'gray'), plt.title('masked_img')`
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask), plt.title('hist')`plt.xlim([0, 256])`plt.show()`

解释代码：

• mask = np.zeros(img.shape[:2], dtype=‘uint8’)

  用法：zeros(shape, dtype=float, order=‘C’)

  返回：返回来一个给定形状和类型的用0填充的数组；

  参数：shape:形状

  ​ dtype:数据类型，可选参数，默认np.float64

  ​ order:可选参数，c代表与c语言类似，行优先；F代表列优先

• plt.title(‘hist’)

  将该figure对象的表头名命名为hist

• plt.subplot(221)

  subplot()函数则用来实现，在一个大图中，出现多个小的子图。

  处理哪个figure，则选择哪个figure，再进行画图。

  221表示是一个两行两列布局的图，且现在画的是右上角的小图

  同理，236表示画的2行3列布局的最右下角的图

• hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])

  plt.plot(hist_full)

  hist_full是一个shape为(256,1)的数组，表示0-255每个像素值对应的像素个数，下标即为相应的像素值

  plt.plot()一般需要输入x,y,若只输入一个参数，那么默认x为range(n)，n为y的长度,在这里即表示图像x轴为0-255像素点灰度值，y轴为对应灰度值的像素点数量

  一个plt.plot()代表该图像中的一条图线

• plt.imshow()

  负责对图像进行处理，并显示其格式，但是不能显示。

• plt.show()

  显示图像

• plt.xlim([0,256])

  x轴上的值的取值范围为0-256

---