2. 程式人生 > >OpenCV3——matchTemplate影象模板匹配

OpenCV3——matchTemplate影象模板匹配

阿新 • • 發佈：2018-12-16

參考文章：

其他：

1，功能介紹

matchTemplate函式主要應用於，尋找一張圖片在另一張圖片中的位置。

先看一個實際測試示例，在一張普通圖片中找到其中的水印位置。下圖依次為水印template圖——圖1，測試圖——圖2，在原圖中根據結果畫出的水印位置圖——圖3。

圖1：

圖2：

圖3：

2，函式分析

2.1引數分析

該函式第一個引數是源影象，第二個引數是模板影象，第三個引數是匹配的結果影象，第四個引數是用於指定比較的方法。

2.2實現原理

  • 我們需要2幅影象:

    1. 原影象 (I): 在這幅影象裡,我們希望找到一塊和模板匹配的區域
    2. 模板 (T): 將和原影象比照的影象塊

    我們的目標是檢測最匹配的區域:

    ../../../../../_images/Template_Matching_Template_Theory_Summary.jpg

  • 為了確定匹配區域, 我們不得不滑動模板影象和原影象進行 比較 :

    ../../../../../_images/Template_Matching_Template_Theory_Sliding.jpg

  • 通過 滑動, 我們的意思是影象塊一次移動一個畫素 (從左往右,從上往下). 在每一個位置, 都進行一次度量計算來表明它是 “好” 或 “壞” 地與那個位置匹配 (或者說塊影象和原影象的特定區域有多麼相似).

  • 對於 T 覆蓋在 I 上的每個位置,你把度量值 儲存 到 結果影象矩陣 (R) 中. 在 R 中的每個位置 (x,y) 都包含匹配度量值:

    ../../../../../_images/Template_Matching_Template_Theory_Result.jpg

    上圖就是 TM_CCORR_NORMED 方法處理後的結果影象 R . 最白的位置代表最高的匹配. 正如您所見, 紅色橢圓框住的位置很可能是結果影象矩陣中的最大數值, 所以這個區域 (以這個點為頂點,長寬和模板影象一樣大小的矩陣) 被認為是匹配的.

  • 實際上, 我們使用函式 minMaxLoc 來定位在矩陣 R 中的最大值點 (或者最小值, 根據函式輸入的匹配引數) .

2.3 支援的演算法

OpenCV通過函式 matchTemplate 實現了模板匹配演算法. 可用的方法有6個。通常,隨著從簡單的測量(平方差)到更復雜的測量(相關係數),我們可獲得越來越準確的匹配(同時也意味著越來越大的計算代價). 最好的辦法是對所有這些設定多做一些測試實驗,以便為自己的應用選擇同時兼顧速度和精度的最佳方案.

1、cv::TM_SQDIFF：該方法使用平方差進行匹配，因此最佳的匹配結果在結果為0處，值越大匹配結果越差。

R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2

2、cv::TM_SQDIFF_NORMED：該方法使用歸一化的平方差進行匹配，最佳匹配也在結果為0處。

R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}

3、cv::TM_CCORR：相關性匹配方法，該方法使用源影象與模板影象的卷積結果進行匹配，因此，最佳匹配位置在值最大處，值越小匹配結果越差。

R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y'))

4、cv::TM_CCORR_NORMED：歸一化的相關性匹配方法，與相關性匹配方法類似，最佳匹配位置也是在值最大處。

R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I'(x+x',y+y'))}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}

5、cv::TM_CCOEFF：相關性係數匹配方法，該方法使用源影象與其均值的差、模板與其均值的差二者之間的相關性進行匹配，最佳匹配結果在值等於1處，最差匹配結果在值等於-1處，值等於0直接表示二者不相關。

R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I(x+x',y+y'))

在這裡

\begin{array}{l} T'(x',y')=T(x',y') - 1/(w \cdot h) \cdot \sum _{x'',y''} T(x'',y'') \\ I'(x+x',y+y')=I(x+x',y+y') - 1/(w \cdot h) \cdot \sum _{x'',y''} I(x+x'',y+y'') \end{array}

6、cv::TM_CCOEFF_NORMED：歸一化的相關性係數匹配方法，正值表示匹配的結果較好，負值則表示匹配的效果較差，也是值越大，匹配效果也好。

R(x,y)= \frac{ \sum_{x',y'} (T'(x',y') \cdot I'(x+x',y+y')) }{ \sqrt{\sum_{x',y'}T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2} }

匹配方法的選取根據實際情況而定，這裡我們選擇的方法是cv::TM_CCOEFF_NORMED，源影象和匹配的相似度圖如下：

因此，我們若想找到最佳匹配位置，只需要找到匹配結果影象的最大值點即可，這裡我們使用cv::minMaxLoc()函式（具體請參考cv::Mat中最值和均值的求解）來找這個最大值點。找到結果後，將其繪製到原影象上，效果如下圖所示（圓等圖形的繪製請參考OpenCV3中的繪圖詳解），這裡注意匹配結果影象與原影象之間的大小關係，他們之間差了一個模板大小。

測試程式碼：

1.匹配單個物件

def MatchOne(image,template):
    # w, h = template.shape[::-1]
    h ,w = template.shape[0],template.shape[1]
    res = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
    print(type(res), res.shape)
    # print(res)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    print(type(max_loc), type(max_val))
    top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)

    cv2.rectangle(image, top_left, bottom_right, 255, 2)

    cv2.imshow('res', res)
    cv2.imshow('result', image)
    cv2.waitKey(0)
    if 0xFF == ord('q'):
        cv2.destroyAllWindows()

2，匹配多個物件

def MultiObjMatch1(image,template):
    print(type(image), image.shape)
    print(type(template), template.shape)
    # image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    # template = cv2.cvtColor(template,cv2.COLOR_BGR2GRAY)
    res = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
    h, w = template.shape[0], template.shape[1]
    # res = cv2.resize(res,(image.shape[1],image.shape[0]))
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)


    print('maxval:',max_val,'max_loc_val:',res[max_loc[1]][max_loc[0]])
    # print(len(res),len(res[0]))
    print('type of res value:',type(res[0][0]), res.shape)
    print('type of min_val:',type(min_val))
    print('type of min_val convert to numpy:',type(np.float32(min_val)))
    # print('min:', min_val, 'max:', max_val)

    top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)
    cv2.rectangle(image, top_left, bottom_right, 255, 2)

    res = (res - min_val) / (max_val - min_val)
    for i in range(len(res)):
        for j in range(len(res[i])):
            if res[i][j] >0.95:
                print(i,j,res[i][j])
                top_left = (j,i)
                bottom_right = (top_left[0] + w, top_left[1] + h)
                cv2.rectangle(image, top_left, bottom_right, 255, 2)

    cv2.imshow('res', res)
    cv2.imshow('compare', image)
    res = res*255
    cv2.imwrite('./images/fangmaskreslut_'+str(int(time.time()))+'.jpg',image)
    cv2.imwrite('./images/fangmaskreslut_res_'+str(int(time.time()))+'.jpg',res)
    cv2.waitKey(0)
    if 0xFF == ord('q'):
        cv2.destroyAllWindows()
    pass

方法2


#將上一個max位置矩陣內的值都置為最小值，然後重新找最大值及其位置
def getNextMax(res,max_loc,min_val,h, w):
    for i in range(max_loc[0],min(max_loc[0]+w,res.shape[1])):
        for j in range(max_loc[1],min(max_loc[1]+h,res.shape[0])):
            res[j][i]=min_val
            # print('change value')
    res = np.float32(res)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    # print('max_val:',max_val)
    return min_val, max_val, min_loc, max_loc,res
    pass


def MultiObjMatch2(image,template):
    print(type(image), image.shape)
    print(type(template), template.shape)
    # image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    # template = cv2.cvtColor(template,cv2.COLOR_BGR2GRAY)
    res = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
    h, w = template.shape[0], template.shape[1]
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    print('start while')
    while max_val>0.6:
        top_left = max_loc
        bottom_right = (top_left[0] + w, top_left[1] + h)
        cv2.rectangle(image, top_left, bottom_right, 255, 2)
        min_val, max_val, min_loc, max_loc ,res= getNextMax(res,max_loc,min_val,h, w)
        print(max_val)

    cv2.imshow('res', res)
    cv2.imshow('compare', image)
    # cv2.imwrite('./images/fangmaskreslut.jpg',image)
    # cv2.imwrite('./images/fangmaskreslut_res.jpg',res)
    cv2.waitKey(0)
    if 0xFF == ord('q'):
        cv2.destroyAllWindows()
    pass

效果圖：


實景圖測試效果：

相關推薦

OpenCV3——matchTemplate影象模板匹配

參考文章： 其他： 1，功能介紹 matchTemplate函式主要應用於，尋找一張圖片在另一張圖片中的位置。 先看一個實際測試示例，在一張普通圖片中找到其中的水印位置。下圖依次為水印template圖——圖1，測試圖—

基於影象模板匹配的按鈕模擬點選 based on python

程式碼地址，也不要吝惜打一顆星~ https://github.com/TQCAI/auto_click_button_by_template_matching 目錄： 模板匹配 模擬滑鼠事

[opencv]模板匹配演算法（單影象模板匹配和基於模板匹配的目標跟蹤）

1.模板匹配opencv函式 matchTemplate(InputArray image, InputArray temp, OutputArray result, int method) Parameters: image – Image where the search is runn

opencv 影象模板匹配

目標 使用模板匹配在一幅影象中查詢目標 學習函式： cv2.matchTemplate()， cv2.minMaxLoc() 原理   模板匹配是用來在一副大圖中搜尋查詢模版影象位置的方法。 OpenCV 提供了函式： cv2.matchTemplat

OpenCV3之——模板匹配matchTemplate()

模板匹配是一項在一幅影象中尋找與另一幅模板影象最相似部分的技術。  #include <opencv2/opencv.hpp> #include <opencv2/features2d/features2d.hpp> #include <ios

Python3與OpenCV3.3 影象處理(十四)--模板匹配

一、什麼是模板匹配 在整個影象區域發現與給定子影象匹配的區域，模板匹配的工作方式是在待檢測影象上從左到右，從上到下計算模板圖象與重疊子影象的匹配度，匹配度越大，兩者越相同 二、OpenCV中的模

影象處理--模板匹配

模板匹配   首先模板不是用來 精確定位的，只能用來粗定位。先粗定位，然後在你的當前圖中扣取 和模板一樣大小的區域，然後再進行精確定位。 問題1   對於有縮放和旋轉的目標你們是怎麼定位的呢？   輪廓；匹配；模板匹配 問題2   用ORB特徵匹配，怎麼確定匹配到的就是我

OpenCV 模板匹配　cv::matchTemplate

轉：http://blog.sina.com.cn/s/blog_b0935ba90102wy93.html 今天使用到opencv的matchTemplate運算元，查詢資料，學習了一下。 對官方資料進行翻譯註釋，加深理解，詳情可見：matchTemplate英文資料。 模板匹配

影象處理中的模板匹配c++實現

一、理論基礎 基於相關的模板匹配技術可直接用於在一幅影象中，尋找某種子影象模式。對於大小為MxN的影象f(x,y)和大小為JxK的子影象模式w(x,y),f與w的相關可表示為： 其種，x=0,1,2,…N-K,y=0,1,2,…M-J。此處 的目的是尋找

基於模板匹配的方式進行影象拼接

目的：對兩幅影象進行影象拼接 適用條件： 兩幅圖有完全相同的行或列 本程式碼是：上下拼接，其中，img1 是下圖，imgR2是 上圖；且兩原圖 列相同 程式碼： int main() {     //從檔案中讀入影象       Mat img1 = imread("

Python+OpenCV影象處理（九）—— 模板匹配

百度百科：模板匹配是一種最原始、最基本的模式識別方法，研究某一特定物件物的圖案位於影象的什麼地方，進而識別物件物，這就是一個匹配問題。它是影象處理中最基本、最常用的匹配方法。模板匹配具有自身的侷限性，主要表現在它只能進行平行移動，若原影象中的匹配目標發生旋轉或大小變化，該演算

OpenCV3模板匹配

模板匹配，就是在一幅影象中尋找另一幅模板影象最匹配（也就是最相似）的部分的技術。 通過在輸入影象image上滑動影象塊，對實際的影象塊和模板影象templ進行匹配。 單目標匹配 #include "pch.h" #include <opencv2/core/core.hpp

利用特徵點（Brief,ORB,SIFT）進行影象匹配，模板匹配

http://blog.csdn.net/kingeasternsun/article/details/8279114 標頭檔案 在VS2010+OpenCV2.3.1  #include "StdAfx.h"#include "opencv2/core/core.hp

Emgu 模板匹配函式MatchTemplate理解

簡介 最近做一個識別護照護照號碼OCR的專案，需要識別一張影象的護照號碼,每張圖片的號碼的位置有些變化，這樣就不好擷取護照號碼的影象，好在護照號碼的以“ED”開頭,長度，寬度固定.於是可以使用Emgu的模板匹配函式MatchTemplate來匹配字串

python for OpenCV影象處理之模板匹配以及分水嶺演算法

首先看些效果如下： 具體程式碼如下： if __name__ == '__main__': from muban import Ui_Form else: from muban.muban import Ui_

使用Opencv中matchTemplate模板匹配方法跟蹤移動目標

模板匹配是一種在影象中定位目標的方法，通過把輸入影象在實際影象上逐畫素點滑動，計算特徵相似性，以此來判斷當前滑塊影象所在位置是目標影象的概率。 在Opencv中，模板匹配定義了6種相似性對比方式：     CV_TM_SQDIFF 平方差匹配法：計算影象畫素間的距離之和，最

【opencv學習之三十】簡單模板匹配matchTemplate

opencv實現了一部分通過模板與目標影象進行尋找最佳匹配的方面matchTemplat();這個方法網上有很多講解，基本思想是將模板影象在目標影象上滑動逐一對比，通過統計的基本方法進行匹配，比如方差檢驗，相關性檢驗等方法來尋找最佳匹配；話不多多說吧，從網上找到的一些實驗程式

影象相似度測量與模板匹配總結

摘要 本文主要總結了進行目標跟蹤、檢測中經常使用到的影象相似度測量和模板匹配方法，並給出了具體的基於OpenCV的程式碼實現。 引言 模板匹配是一種在源影象中尋找與影象patch最相似的技術，常常用來

Atitti 模板匹配 List matchTemplate(

個人說明 提供相關技術諮詢，以及解決方案編制，編制相關標準化規範草案，軟體培訓與技術點體系建設，知識圖譜體系化，提供軟體行業顧問佈道，12年的軟體行業背景，歡迎有志於軟體行業的同仁們互相交流，群名稱：標準化規範工作組草案，群   號：518818717， 聯絡方式: [

影象配準】基於灰度的模板匹配演算法（一）：MAD、SAD、SSD、MSD、NCC、SSDA、SATD演算法

簡介：        本文主要介紹幾種基於灰度的影象匹配演算法：平均絕對差演算法（MAD）、絕對誤差和演算法（SAD）、誤差平方和演算法（SSD）、平均誤差平方和演算法（MSD）、歸一化積相關演算法（NCC）、序貫相似性檢測演算法（SSDA）、hadamard變換演算法（