Python教程

Python OpenCV实现图像模板匹配详解

本文主要是介绍Python OpenCV实现图像模板匹配详解,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
原文引用:https://www.jb51.net/article/243515.htm
目录
  • 1.什么是模板匹配及模板匹配方法matchTemplate()
    • 介绍
    • 素材准备
  • 2.单模板匹配
    • 2.1 单目标匹配
    • 2.2 多目标匹配
  • 3.多模板匹配

1.什么是模板匹配及模板匹配方法matchTemplate()

介绍

提供一个模板图像,一个目标图像,且满足模板图像是目标图像的一部分,从目标图像中寻找特定的模板图像的过程,即为模板匹配。OpenCV提供了matchTemplate()方法帮助我们实现模板匹配。

该方法语法如下:

cv2.matchTemplate(image, templ, method, result=None, mask=None)

其中

image 即目标图像

templ 即模板图像

method 是匹配的方式

mask 即掩模,可选。只有当method为cv2.TM_SQDIFF或cv2.TM_CCORR_NORMED时才支持此参数。

method参数可以是以下值:

参数值描述
cv2.TM_SQDIFF 差值平方和匹配,也称平方差匹配。可以理解为是基于差异程度的匹配,差异程度越小,匹配程度越高。完全匹配时值差值平方和为0。
cv2.TM_SQDIFF_NORMED 相关匹配。 可以理解为是基于相似程度的匹配,相似程度越高,计算结果越大,匹配程度就越高。
cv2.TM_CCORR 标准相关匹配。 规则同上。
cv2.TM_CCORR_NORMED 相关系数匹配
cv2.TM_CCOEFF 相关系数匹配。也是基于相似程度的匹配,计算结果是一个-1到1的浮点数,1表示完全匹配,0表示毫无关系,-1表示两张图片亮度刚好相反。
cv2.TM_CCOEFF_NORMED 标准相关系数匹配,规则同上。

使用matchTemplate()方法,模板会将图像中的每一块区域都覆盖一遍,并每次都使用所选的method方法进行计算,每次的计算结果最后以一个二维数组的形式返回给我们。

素材准备

为方便展示,特准备以下图片素材:

选择世界名画《三英战吕布》(test.png),图像shape为(738, 675, 3):

从中抠出一部分图像元素作为下边要用的模板素材。取材代码如下( 不建议截图,截图抠出来的不一定能保证尺寸):

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 import cv2 img = cv2.imread("test.png")   print(img.shape) # 电灯 img1 = img[20:220, 320:480, :] # 虎牢关牌匾 img2 = img[75:150, 200:310, :] # 青龙刀 img3 = img[170:530, 575:650, :] # 关云长 img4 = img[270:670, 160:330, :]     cv2.imshow("img0", img) cv2.imshow("img1", img1) cv2.imshow("img2", img2) cv2.imshow("img3", img3) cv2.imshow("img4", img4) cv2.waitKey() cv2.destroyAllWindows()   cv2.imwrite('template_pic1.jpg', img1) cv2.imwrite('template_pic2.jpg', img2) cv2.imwrite('template_pic3.jpg', img3) cv2.imwrite('template_pic4.jpg', img4)

取出的模板素材如下:

电灯

虎牢关牌匾

青龙刀

关云长

2.单模板匹配

单模板匹配,即在匹配时中只使用到一个模板的匹配过程。具体又可以分为单目标匹配和多目标匹配。

2.1 单目标匹配

单目标匹配,即模板在目标图像中只匹配 匹配程度最高的一个匹配结果。

这需要找出这一次匹配结果所在位置的坐标来确定其位置,

OpenCV提供了cv2.minMAXLoc()来实现。

该方法参数为matchTemplate()的返回值,会返回一个元组,元组中有四个值,分别是最小值、最大值、最小值时图像左上角顶点坐标,最大值时图像左上角顶点坐标。

Python客栈送红包、纸质书

接下来,使用 电灯(template_pic1) 图片来匹配原图,并用红色的矩形在原图像中圈出模板图像,使用标准差值平方和的匹配方式,代码如下:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 import cv2 img = cv2.imread("test.png")   templ = cv2.imread("template_pic1.jpg") height, width, c = templ.shape results = cv2.matchTemplate(img, templ, cv2.TM_SQDIFF_NORMED) # 获取匹配结果中的最小值、最大值、最小值坐标和最大值坐标 minValue, maxValue, minLoc, maxLoc = cv2.minMaxLoc(results) resultPoint1 = minLoc resultPoint2 = (resultPoint1[0] + width, resultPoint1[1] + height) cv2.rectangle(img, resultPoint1, resultPoint2, (0, 0, 255), 2) cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows()

如图所示,成功标出了模板图。

如果要从多幅图像中,找出与模板最匹配的结果,

以标准差值平方和的匹配方式为例,
则可以对这些图像进行遍历,并比较每幅图像对应结果中的最小值,找出最小值中的最小值,则为最佳匹配项。

以两幅图像为例,将原图翻转一次,生成一张新的图像(翻转后结果与原图较像,但差异巨大)

翻转产生素材(test1.png)

1 2 3 4 5 6 7 import cv2 img = cv2.imread("test.png") dst1 = cv2.flip(img, 1) cv2.imshow("dst1", dst1) cv2.waitKey() cv2.destroyAllWindows() cv2.imwrite('test1.png', dst1)        

然后使用模板 关云长 (template_pic4.jpg)对两幅图像进行匹配,输出最佳匹配结果,并画红框展示:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 import cv2   image = [] image.append(cv2.imread("test.png")) image.append(cv2.imread("test1.png")) templ = cv2.imread("template_pic4.jpg") height, width, c = templ.shape   # 循环变量初始化 # 这里只是随便设定一个值,该值并无意义,只是为了定义该变量 # 使用TM_SQDIFF_NORMED计算方法,计算出的结果通常是小于1的,所以minValue可以设置为1。如果是TM_SQDIFF计算方法,则就不行了,计算出来的值会很大。代码就不再有效,需要把minMax设得更大,或者做其他修改。 index = -1 minValue = 1 minLoc1 = (0, 0)   # 遍历每幅图像 for i in range(0, len(image)):     results = cv2.matchTemplate(image[i], templ, cv2.TM_SQDIFF_NORMED)     min = cv2.minMaxLoc(results)[0]     if min < minValue:         minValue = min         minLoc1 = cv2.minMaxLoc(results)[2]         index = i   minLoc2 = (minLoc1[0] + width, minLoc1[1] + height) cv2.rectangle(image[index], minLoc1, minLoc2, (0, 0, 255), 2) cv2.imshow("result", image[index]) cv2.waitKey() cv2.destroyAllWindows()

如图,test.png中的关云长与模板更为匹配。

2.2 多目标匹配

多目标匹配,即在目标图像中匹配出所有与模板图像匹配的结果。可以使用相关匹配或相关系数匹配。

素材准备

还以原图像"test.png"为参照,

为了产生方便我们做示例的图像,我们在该图像的基础上多加一盏电灯,生成"test2.png"

1 2 3 4 5 6 7 8 import cv2 img = cv2.imread("test.png") templ = cv2.imread("template_pic1.jpg") img[20:220, 30:190, :] = templ cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows() cv2.imwrite('test2.png', img)      

多目标匹配

多目标匹配即对matchTemplate()匹配的总的结果,的计算情况数据,使用for循环遍历,并设定一个判断标准。

如使用标准相关系数(cv2.TM_CCOEFF_NORMED)的方法判断,如:如果计算值大于0.99,则我们认为匹配成功了。

使用电灯模板"template_pic1.jpg",匹配图像test2.png。并对匹配的结果用红色的矩形框标记。

代码示例如下:

1 2 3 4 5 6 7 8 9 10 11 12 13 import cv2 img = cv2.imread("test2.png") templ = cv2.imread("template_pic1.jpg") height, width, c = templ.shape # 按照标准相关系数匹配 results = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED) for y in range(len(results)):     for x in range(len(results[y])):         if results[y][x] > 0.99:             cv2.rectangle(img, (x, y), (x + width, y + height), (0, 0, 255), 2) cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows()

程序执行结果如下,成功匹配出了两盏灯。

3.多模板匹配

多模板匹配,即进行了n次单模板的匹配过程。 

直接上示例:

在test.png中匹配电灯、青龙刀、虎牢关牌匾、关云长四个图像模板:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 import cv2     def myMatchTemplate(img, templ):     height, width, c = templ.shape     results = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED)     loc = list()     for i in range(len(results)):         for j in range(len(results[i])):             if results[i][j] > 0.99:                 loc.append((j, i, j + width, i + height))     return loc   # 读取原始图像 img = cv2.imread("test.png" # 模板列表 templs = list()  templs.append(cv2.imread("template_pic1.jpg")) templs.append(cv2.imread("template_pic2.jpg")) templs.append(cv2.imread("template_pic3.jpg")) templs.append(cv2.imread("template_pic4.jpg"))     loc = list()  for t in templs:     loc += myMatchTemplate(img, t)   # 遍历所有红框的坐标 for i in loc:      cv2.rectangle(img, (i[0], i[1]), (i[2], i[3]), (0, 0, 255), 2)   cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows()

匹配效果如下:

以上就是Python OpenCV实现图像模板匹配详解的详细内容,更多关于Python OpenCV图像模板匹配的资料请关注脚本之家其它相关文章!

您可能感兴趣的文章:
  • 关于python3 opencv 图像二值化的问题(cv2.adaptiveThreshold函数)
  • Python+OpenCV实现在图像上绘制矩形
  • Python OpenCV图像处理之图像滤波特效详解
  • 基于Python OpenCV实现图像的覆盖
  • Python OpenCV机器学习之图像识别详解
  • Python Opencv基于透视变换的图像矫正
  • Python OpenCV一个窗口中显示多幅图像
  • python OpenCV 图像通道数判断
这篇关于Python OpenCV实现图像模板匹配详解的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!