快捷導(dǎo)航

Python+Opencv實(shí)現(xiàn)圖像模板匹配詳解

更新時(shí)間：2022年09月18日 12:09:06 作者：泡泡怡

模板匹配可以看作是對(duì)象檢測(cè)的一種非?；镜男问健Ｊ褂媚０迤ヅ?，我們可以使用包含要檢測(cè)對(duì)象的“模板”來檢測(cè)輸入圖像中的對(duì)象。本文為大家介紹了圖像模板匹配的實(shí)現(xiàn)方法，需要的可以參考一下

引言

什么是模板匹配呢？

看到這里大家是否會(huì)覺得很熟悉的感覺涌上心頭！在人臉識(shí)別是不是也會(huì)看見等等。

模板匹配可以看作是對(duì)象檢測(cè)的一種非?；镜男问?。使用模板匹配，我們可以使用包含要檢測(cè)對(duì)象的“模板”來檢測(cè)輸入圖像中的對(duì)象。

一、匹配方法

cv2.matchTemplate(img, templ, method)

參數(shù)：（img：原始圖像、temple：模板圖像、method：匹配度計(jì)算方法）

方法如下：

cv2.TM_SQDIFF：計(jì)算平方差，計(jì)算結(jié)果越小，越相關(guān)

公式：

cv2.TM_CCORR：計(jì)算相關(guān)性，計(jì)算出來的值越大，越相關(guān)

公式：

cv2.TM_CCOEFF：計(jì)算相關(guān)系數(shù)，計(jì)算出的值越大，越相關(guān)

公式：

cv2.TM_SQDIFF_NORMED：計(jì)算歸一化平方差，計(jì)算結(jié)果越接近0，越相關(guān)

公式：

cv2.TM_CCORR_NORMED：計(jì)算歸一化相關(guān)性，計(jì)算結(jié)果越接近1，越相關(guān)

公式：

cv2.TM_CCOEFF_NORMED：計(jì)算歸一化相關(guān)系數(shù)，計(jì)算結(jié)果越接近1，越相關(guān)

公式：

二、匹配單個(gè)對(duì)象

img代表原始圖像，template代表模板窗口，1默認(rèn)為cv2.TM_SQDIFF方法

res = cv2.matchTemplate(img, template, 1)

獲取結(jié)果的最值和最值位置（最值位置是左上角的坐標(biāo)位置，通過模板的寬和高可以在原圖上把模板位置畫出來）

min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)

完整的代碼：

import cv2
import numpy as np
import matplotlib.pyplot as plt
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
img=cv2.imread('C:/Users/bwy/Desktop/7.png',0)
template=cv2.imread('C:/Users/bwy/Desktop/8.png',0)
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:
    img3=img.copy()
    method=eval(meth)
    print(meth)
    res1=cv2.matchTemplate(img,template,method)
    min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res1)
    if method in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]:
        top_left=min_loc
    else:
        top_left=max_loc
    bottom_right=(top_left[0]+w,top_left[1]+h)
    #倆矩形
    cv2.rectangle(img3,top_left,bottom_right,255,2)
    plt.subplot(121),plt.imshow(res1,cmap='gray')
    plt.xticks([]),plt.yticks([])#隱藏坐標(biāo)軸
    plt.subplot(122),plt.imshow(img3,cmap='gray')
    plt.xticks([]),plt.yticks([])#隱藏坐標(biāo)軸
    plt.suptitle(meth)
    plt.show()

結(jié)果如圖所示：

多次實(shí)驗(yàn)?zāi)銜?huì)發(fā)現(xiàn)歸一的方法更準(zhǔn)確。

三、匹配多個(gè)對(duì)象

1.導(dǎo)包構(gòu)建函數(shù)

import cv2
import numpy as np
import matplotlib.pyplot as plt
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2.讀入圖像轉(zhuǎn)灰度圖，改大小。

im=cv2.imread('C:/Users/bwy/Desktop/9.png')
TE=cv2.imread('C:/Users/bwy/Desktop/10.png',cv2.IMREAD_GRAYSCALE)
im1=cv2.resize(im,(600,337))
cv_show('im',im1)
img_=cv2.cvtColor(im1,cv2.COLOR_BGR2GRAY)
TE=cv2.resize(TE,(60,60))
TE.shape

3.圖像匹配

h,w=TE.shape[:2]
r=cv2.matchTemplate(img_,TE,cv2.TM_CCOEFF_NORMED)
cv_show('r',r)

結(jié)果如圖所示：

4.取匹配程度大于75%的坐標(biāo) ，畫在原圖上

其中：zip(*) 可理解為解壓，返回二維矩陣式。loc中l(wèi)oc[0]是高，loc[1]是寬，[::-1]表示倒序。p[0]代表寬，p[1]代表高

threshold=0.75
loc=np.where(r>=threshold)
for pt in zip(*loc[::-1]):#*代表可選參數(shù)
    bottom_right=(pt[0]+w,pt[1]+h)
    cv2.rectangle(im1,pt,bottom_right,(0,0,255),1)
cv_show('im1',im1)

結(jié)果如圖所示：