OpenCV 的模板匹配

OpenCV中的模板匹配

模板匹配(Template Matching)是计算机视觉中的一种技术,用于在大图像中找到与小图像(模板)相匹配的部分。OpenCV提供了多种模板匹配的方法,主要包括基于相关性和基于平方差的匹配方法。

1. 基本原理

模板匹配的基本原理是通过滑动模板图像(template)在源图像(source)上,计算每个位置的匹配得分,从而找到最匹配的位置。

2. 函数接口

在OpenCV中,模板匹配主要通过cv2.matchTemplate()函数来实现。其基本用法如下:

result = cv2.matchTemplate(image, template, method)
  • image: 源图像(在其中搜索匹配区域)。
  • template: 模板图像(需要匹配的图像部分)。
  • method: 匹配方法,常用的方法有:
    • cv2.TM_SQDIFF: 平方差匹配。
    • cv2.TM_SQDIFF_NORMED: 归一化平方差匹配。
    • cv2.TM_CCORR: 相关匹配。
    • cv2.TM_CCORR_NORMED: 归一化相关匹配。
    • cv2.TM_CCOEFF: 相关系数匹配。
    • cv2.TM_CCOEFF_NORMED: 归一化相关系数匹配。
3. 方法选择

不同的方法适用于不同的应用场景:

  • cv2.TM_SQDIFFcv2.TM_SQDIFF_NORMED: 适用于模板和图像之间的匹配误差较小时。
  • cv2.TM_CCORRcv2.TM_CCORR_NORMED: 适用于图像亮度变化不大的场景。
  • cv2.TM_CCOEFFcv2.TM_CCOEFF_NORMED: 适用于图像中存在线性亮度变化的情况。
4. 性能优化

模板匹配的计算复杂度较高,对于大图像和模板,计算时间可能较长。可以通过以下方法进行优化:

  • 调整模板图像的大小。
  • 使用多尺度匹配(Multi-Scale Matching),即在不同尺度下进行匹配。
  • 使用图像金字塔(Image Pyramid)技术减少计算量。

通过合理选择匹配方法和优化策略,可以有效提高模板匹配的效率和准确性。

以下是详细介绍模板匹配的相关内容:

基本步骤
  1. 读取图像和模板:
    使用 cv2.imread 函数读取原始图像和模板图像。

  2. 转换为灰度图像:
    使用 cv2.cvtColor 将图像转换为灰度图像。模板匹配通常在灰度图像上进行,以减少计算复杂度。

  3. 执行模板匹配:
    使用 cv2.matchTemplate 函数在原图像中搜索模板图像,并返回匹配结果。

  4. 设置阈值并找到匹配位置:
    使用 numpy 函数找到匹配结果中大于或等于阈值的位置。

  5. 绘制矩形框标记匹配区域:
    使用 cv2.rectangle 函数在原图像中绘制矩形框标记匹配区域。

  6. 显示结果:
    使用 matplotlib 或 OpenCV 显示结果图像。

详细代码示例
import cv2
import numpy as np
from matplotlib import pyplot as plt# Load the images
original_img = cv2.imread('images/test.png')
template_img = cv2.imread('images/test_target.jpg')# Convert to grayscale
original_gray = cv2.cvtColor(original_img, cv2.COLOR_BGR2GRAY)
template_gray = cv2.cvtColor(template_img, cv2.COLOR_BGR2GRAY)# Perform template matching
result = cv2.matchTemplate(original_gray, template_gray, cv2.TM_CCOEFF_NORMED)# Define threshold and find locations above the threshold
threshold = 0.8
loc = np.where(result >= threshold)# Draw rectangles around detected matches
for pt in zip(*loc[::-1]):cv2.rectangle(original_img, pt, (pt[0] + template_gray.shape[1], pt[1] + template_gray.shape[0]), (0, 0, 255), 2)# Display the result
plt.figure(figsize=(10, 10))
plt.imshow(cv2.cvtColor(original_img, cv2.COLOR_BGR2RGB))
plt.title('Detected Matches')
plt.axis('off')
plt.show()

运行结果如下:
在这里插入图片描述

下面是详细的中文解释:

import cv2
import numpy as np
from matplotlib import pyplot as plt

导入库

  • cv2:OpenCV库的Python接口,用于图像处理和计算机视觉。
  • numpy:数值计算库,用于处理多维数组。
  • pyplot:matplotlib库的一个子库,用于绘图和数据可视化。
# Load the images
original_img = cv2.imread('images/test.png')
template_img = cv2.imread('images/test_target.jpg')

加载图像

  • 使用 cv2.imread 函数读取图像文件,将原始图像保存到 original_img 变量中,将模板图像保存到 template_img 变量中。
  • 需要根据实际文件路径替换 ‘images/test.png’ 和 ‘images/test_target.jpg’。
# Convert to grayscale
original_gray = cv2.cvtColor(original_img, cv2.COLOR_BGR2GRAY)
template_gray = cv2.cvtColor(template_img, cv2.COLOR_BGR2GRAY)

转换为灰度图

  • 使用 cv2.cvtColor 函数将原始图像和模板图像从 BGR 色彩空间转换为灰度图,以简化后续的计算。
# Perform template matching
result = cv2.matchTemplate(original_gray, template_gray, cv2.TM_CCOEFF_NORMED)

执行模板匹配

  • 使用 cv2.matchTemplate 函数在灰度原图中搜索模板图像。
  • cv2.TM_CCOEFF_NORMED 是一种匹配方法,表示归一化的相关系数匹配。
# Define threshold and find locations above the threshold
threshold = 0.8
loc = np.where(result >= threshold)

定义阈值并找到匹配位置

  • 设置匹配结果的阈值 threshold 为 0.8,表示只有相关系数大于或等于 0.8 的位置才被认为是匹配的。
  • 使用 np.where 函数找到匹配结果矩阵中所有大于或等于阈值的位置,返回这些位置的坐标。
# Draw rectangles around detected matches
for pt in zip(*loc[::-1]):cv2.rectangle(original_img, pt, (pt[0] + template_gray.shape[1], pt[1] + template_gray.shape[0]), (0, 0, 255), 2)

绘制矩形框

  • 遍历所有检测到的匹配位置,并在原图上绘制矩形框。
  • zip(*loc[::-1]) 将匹配位置的坐标转换为 (x, y) 对,以便在图像上绘制矩形框。
  • cv2.rectangle 函数用于绘制矩形框:
    • 第一个参数是图像。
    • 第二个参数是矩形的左上角坐标。
    • 第三个参数是矩形的右下角坐标。
    • 第四个参数是矩形框的颜色,这里是红色 (0, 0, 255)
    • 第五个参数是矩形框的粗细,这里设置为 2。
# Display the result
plt.figure(figsize=(10, 10))
plt.imshow(cv2.cvtColor(original_img, cv2.COLOR_BGR2RGB))
plt.title('Detected Matches')
plt.axis('off')
plt.show()

显示结果

  • 使用 matplotlib 库显示带有矩形框的原图。
  • plt.figure 设置显示窗口的大小,这里是 10x10 英寸。
  • plt.imshow 显示图像,并将图像从 BGR 色彩空间转换为 RGB,以便正确显示颜色。
  • plt.title 设置图像的标题,这里是 ‘Detected Matches’。
  • plt.axis('off') 隐藏坐标轴,以便更好地显示图像。
  • plt.show 显示图像。

运行上述代码后,你会看到原始图像中标记出所有匹配模板的位置,每个匹配位置都会用红色矩形框标记出来。

模板匹配方法

OpenCV 提供了几种不同的模板匹配方法,可以通过 cv2.matchTemplate 函数的第三个参数指定:

  1. cv2.TM_SQDIFF: 平方差匹配法,计算平方差。数值越小越匹配。
  2. cv2.TM_SQDIFF_NORMED: 归一化平方差匹配法。
  3. cv2.TM_CCORR: 相关系数匹配法,计算相关系数。数值越大越匹配。
  4. cv2.TM_CCORR_NORMED: 归一化相关系数匹配法。
  5. cv2.TM_CCOEFF: 相关匹配法,计算相关值。数值越大越匹配。
  6. cv2.TM_CCOEFF_NORMED: 归一化相关匹配法。
示例中的关键函数
  • cv2.imread(filename, flags): 读取图像。
  • cv2.cvtColor(src, code): 转换颜色空间。
  • cv2.matchTemplate(image, templ, method): 执行模板匹配。
  • np.where(condition): 返回满足条件的数组索引。
  • cv2.rectangle(img, pt1, pt2, color, thickness): 绘制矩形框。
注意事项
  • 模板匹配是一个计算密集型任务,对于较大的图像和模板,计算时间会显著增加。
  • 匹配结果受图像噪声、旋转、缩放等因素的影响,因此在实际应用中,可能需要预处理图像或结合其他方法(如特征匹配)来提高准确性。
实际应用

模板匹配广泛应用于图像识别、物体检测等领域,例如:

  • 在游戏中检测特定图案或标志。
  • 在工业视觉系统中检测缺陷或零部件位置。
  • 在医学图像中检测特定器官或病变。

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/851677.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

前端数据模拟Mock.js

新建mock-demo的项目,安装npm install mockjs 新建index.js //引入mockjs import Mock from mockjs //设置延迟时间 // Mock.setup({ // timeout:4000 // }) //使用mockjs模拟数据 Mock.mock(/product/search,{"ret":0,"data":{"mtim…

动手学深度学习33 单机多卡并行

单机多卡并行 更多的芯片 https://courses.d2l.ai/zh-v2/assets/pdfs/part-2_2.pdf 多GPU训练 https://courses.d2l.ai/zh-v2/assets/pdfs/part-2_3.pdf 当transformer模型很大,有100GB的时候只能用模型并行。 数据并行,拿的参数是完整的&#xff1f…

JavaWeb5 SpringBoot+HTTP协议

Spring Spring Boot 非常快速构建应用程序,简化开发 (1)创建Springboot工程,勾选web开发依赖 创建好的目录,并将没用多余的删掉了 (2)定义请求处理类,并添加方法 创建请求处理类…

机器学习分类及算法

1. 深度学习 1.1学习算法 1.2基本术语和概念 1.3机器学习分类常用算法 1.3.1线性回归 1.3.2逻辑回归 1.3.3决策树 1.3.4朴素贝叶斯 1.3.5支持向量机SVM 1.3.6K-最近临邻KNN 还有K-均值(k-means)、随机森林、降维、人工神经网络等 1.4超参数和验证集 1.4.…

晨持绪科技:抖音网店怎么做有前景

在数字时代的浪潮中,抖音平台以其独特的魅力和庞大的用户基础成为电商的新阵地。开设一家有前景的抖音网店,不仅需要对市场脉搏有敏锐的洞察力,还需融合创新思维与数据驱动的营销策略。 明确定位是成功的先声。深入分析目标消费群体的需求与偏…

SQL 窗口函数

1.窗口函数之排序函数 RANK, DENSE_RANK, ROW_NUMBER RANK函数 计算排序时,如果存在相同位次的记录,则会跳过之后的位次 有 3 条记录排在第 1 位时: 1 位、1 位、1 位、4 位…DENSE_RANK函数 同样是计算排序,即使存在相同位次的记录,也不会跳过之后的位次 有 3 条记录排在…

2024.6.12 作业 xyt

今日课堂练习&#xff1a;vector构造函数 #include <iostream> #include <vector> using namespace std;void printVector(vector<int> &v) {vector<int>::iterator iter;for(iterv.begin(); iter ! v.end(); iter){cout << *iter <<…

Unity射击游戏开发教程:(27)创建带有百分比的状态栏

创建带有弹药数和推进器百分比的状态栏 在本文中,我将介绍如何创建带有分数和百分比文本的常规状态栏。 由于 Ammo Bar 将成为 UI 的一部分,因此我们需要向 Canvas 添加一个空的 GameObject 并将其重命名为 AmmoBar。我们需要一个文本和两个图像对象,它们是 AmmoBar 的父级。…

大模型网信办备案全网最详细说明(附附件)

本文共分为以下几个章节 一、大模型算法备案的强制性 二、生成式人工智能(大语言模型)安全评估要点 三、大模型备案必备材料重点说明 四、大模型备案填报流程 五、大模型备案时间成本对比 六、备案建议 附录、过程性材料 一、大模型算法备案的强制性 1、强制要求备案 …

ubuntu certbot 生成https ssl证书

一、安装certbot应用 sudo apt update sudo apt install certbot python3-certbot-nginx二、生成证书 # 泛域名&#xff1a; certbot certonly -d *.你的主域名 --manual --preferred-challenges dns# 主域名&#xff1a; certbot certonly -d 你的主/子域名 --manual --pref…

Linux C语言:多级指针(void指针和const)

一、多级指针 把一个指向指针变量的指针变量&#xff0c;称为多级指针变量对于指向处理数据的指针变量称为一级指针变量指向一级指针变量的指针变量称为二级指针变量 1、二级指针变量的说明形式 <数据类型> ** <指针名> &#xff1b; 一张图理解二级指针 2、多…

vivado HW_SIO_RX

HW_SIO_RX 描述 在硬件设备上&#xff0c;每个GT包括一个独立的接收器hw_sio_rx 由一个PCS和一个PMA组成。高速串行数据从板上的迹线流入 GTX/GTH收发器RX的PMA&#xff0c;进入PCS&#xff0c;最后进入FPGA逻辑。 相关对象 HW_SIO_RX对象与HW_server、HW_target、HW_device、H…

构建稳定高效的消息传递中间件:消息队列系统的设计与实现

✨✨谢谢大家捧场&#xff0c;祝屏幕前的小伙伴们每天都有好运相伴左右&#xff0c;一定要天天开心哦&#xff01;✨✨ &#x1f388;&#x1f388;作者主页&#xff1a; 喔的嘛呀&#x1f388;&#x1f388; 目录 一、引言 二、设计目标 2.1、高可用性 1. 集群搭建 1.1 …

华为云DDoS攻击下的应对策略

当华为云上的服务遭遇大规模DDoS攻击导致网络流量异常&#xff0c;触发了华为云的自动防护机制&#xff0c;即所谓的“黑洞”状态时&#xff0c;服务将暂时无法访问&#xff0c;直至攻击停止或流量恢复正常。本文将探讨如何在这一情况下&#xff0c;通过引入第三方安全产品来快…

python发送http请求

python有个内置模块发送请求urllib的request的 openurl()方法&#xff0c;打开一个链接&#xff0c;就是发送一个请求&#xff0c;&#xff0c; 因为内置模块发请求不是那么好用&#xff0c;一般都会使用第三方的请求包&#xff0c;requests模块&#xff0c; 请求头 User-Ag…

比 Safari 阅读模式更强大的阅读助手

一、简介 1、一款专为浏览器设计的扩展程序&#xff0c;旨在提供更为简洁、高效的网页阅读体验。它能够对网页内容进行智能提取和排版&#xff0c;自动屏蔽广告和噪音&#xff0c;使读者能够专注于网页的核心内容。此外&#xff0c;Circle 阅读助手还具备多种个性化功能&#x…

高效数据架构:分表流程实践

前言 ​ 随着业务的不断扩展&#xff0c;数据量激增成为不可避免的现象。当数据量达到某一临界点时&#xff0c;单一的数据表可能无法承载如此庞大的数据量&#xff0c;此时就需要考虑进行分库分表的策略。尽管业界普遍认为数据量达到1000万时就应考虑分表&#xff0c;但实际上…

Windows搭建nacos集群

Nacos是阿里巴巴的产品&#xff0c;现在是SpringCloud中的一个组件。相比Eureka功能更加丰富&#xff0c;在国内受欢迎程度较高。 下载地址&#xff1a;Tags alibaba/nacos GitHub 链接&#xff1a;百度网盘 请输入提取码 提取码&#xff1a;8888 解压文件夹 目录说明&am…

python学习 -You-Get视频下载使用案例

You-Get 是一个命令行程序&#xff0c;提供便利的方式来下载网络上的媒体信息。 You-Get 是一个用于从网页下载媒体内容&#xff08;如视频、音频、图片&#xff09;的Python库。它支持多种网站&#xff0c;能够捕获并下载这些网站中直接或间接提供的媒体资源。You-Get 的设计…

如何从零训练多模态大模型(预训练方向)

节前&#xff0c;我们星球组织了一场算法岗技术&面试讨论会&#xff0c;邀请了一些互联网大厂朋友、参加社招和校招面试的同学. 针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。 汇总合集&…