[OpenCV

#[OpenCV| 来源: 网络整理| 查看: 265

1.Template Matching(模板匹配)

模板匹配是一种在较大图像中搜索和查找模板图像位置的方法。OpenCV提供了一个函数cv2.matchTemplate（）。它只是在输入图像上滑动模板图像（如在2D卷积中），并比较模板图像下的输入图像的模板和补丁。在OpenCV中实现了几种比较方法。它返回一个灰度图像，其中每个像素表示该像素的邻域与模板匹配的程度。

假设输入图像的大小（WxH）且模板图像的大小（wxh），则输出图像的大小为（W-w + 1，H-h + 1）。获得结果后，可以使用cv2.minMaxLoc（）函数查找最大/最小值的位置。将其作为矩形的左上角，并将（w，h）作为矩形的宽度和高度。那个矩形是你的模板区域匹配后得到的区域。

2.匹配实例

找出一张电路的图像中，指定的芯片，并标记出来

import cv2 import numpy as np # 读取名称为 p20.png 的图片，并转成黑白 img = cv2.imread("/home/yhch/Pictures/P20.png",1） gray = cv2.imread("/home/yhch/Pictures/P20.png",0) cv2.imshow('pic',gray) # 读取需要检测的模板图片（黑白） img_template = cv2.imread("/home/yhch/Pictures/P20_temp.png",0) # 得到图片的高和宽 w, h = img_template.shape[::-1] print(w,h) # 模板匹配操作 res = cv2.matchTemplate(gray,img_template,cv2.TM_SQDIFF) # 得到最大和最小值得位置 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) top_left = min_loc #左上角的位置 bottom_right = (top_left[0] + w, top_left[1] + h) #右下角的位 # 在原图上画矩形 cv2.rectangle(img,top_left, bottom_right, (0,0,255), 2) # 显示原图和处理后的图像 cv2.imshow("img_template",img_template) cv2.imshow("processed",img) cv2.waitKey(0 运行效果 3. API 用法 cv2.matchTemplata(img_big,img_temp,cv2.method) img_big:在该图上查找图像 img_temp:待查找的图像，模板图像 method: 模板匹配的方法关于参数 method： method introduce CV_TM_SQDIFF 平方差匹配法该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大 CV_TM_CCORR 相关匹配法该方法采用乘法操作；数值越大表明匹配程度越好。 CV_TM_CCOEFF 相关系数匹配法 1表示完美的匹配；-1表示最差的匹配。 CV_TM_SQDIFF_NORMED 归一化平方差匹配法 CV_TM_CCORR_NORMED 归一化相关匹配法 CV_TM_CCOEFF_NORMED 归一化相关系数匹配法 4.与多个对象匹配的模板

在上一实例，搜索了芯片的图像，该图像仅在图像中出现一次。如果正在搜索的图像中有多个对象出现，cv2.minMaxLoc（）就不会为提供模板图像所有位置。在这种情况下，可以使用阈值来匹配多个对象。在这个例子中，使用了游戏Mario的截图，会在其中找到硬币并标记出来。

import cv2 import numpy as np im_rgb = cv2.imread('/home/yhch/Pictures/mario.png') cv2.imshow('im',im_rgb) im_gray = cv2.cvtColor(im_rgb,cv2.COLOR_BGR2GRAY) template = cv2.imread('/home/yhch/Pictures/mario_coin.png',0) w,h = template.shape[::-1] res = cv2.matchTemplate(im_gray,template,cv2.TM_CCOEFF_NORMED) threshold = 0.9 loc = np.where(res>=threshold) for pt in zip(*loc[::-1]): cv2.rectangle(im_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1) cv2.imshow('res.png',im_rgb) cv2.waitKey(0 运行效果 img 说明

python3数组的倒序 a[::-1]

list = [1,2,3,4,5,6] print(list[::-1]) [6, 5, 4, 3, 2, 1] arry = ([1,2,3],[4,5,6]) print(arry[::-1]) ([4, 5, 6], [1, 2, 3])

python3 zip() 函数

zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的对象，这样做的好处是节约了不少的内存。

我们可以使用 list() 转换来输出列表。

如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。

>>> a = [1,2,3] >>> b = [4,5,6] >>> c = ['yhch','apple'] >>> obj_ziped = zip(a,b,c) #返回值为一个对象 >>> print(obj_ziped) # 对象 >>> for i in obj_ziped: ... print(i) ... (1, 4, 'yhch') (2, 5, 'apple') >>> 不同阀值下匹配出的数

识别网易易盾滑动验证码

threshould = 0.4

103个，好多位置并不准确，当然有一个最准确的位置就在其中

img

threshould = 0.57

只有1个，并且准确的找出位置

img

threshould = 0.6

一个都没有

img 网易易盾验证码的识别

写这篇教程不是空穴来风，是我在学习爬虫的过程中，遇到滑动验证码的识别，遇到了问题可以看到，已经能够识别出准确的位置，配和selenium滑动滑块，就能破解滑动验证码了。但在实际过程中，是不知道会出现什么画面的验证码，不同的图像，颜色，透明度是不一样，阀值也就不一样。而只有找到准确的阀值才能得到准确的位置。

如何动态的分析不同图片的阀值从上面的实例可以发现阀值越小，结果就越多，阀值越大，结果越少,甚至没有结果。阀值介于[0,1],因此通过循环用二分法去试一试,当结果有且只有一个的时候，得到的threshould便是我们想要的，再通过threshold获取位置信息 * 阈值始终为区间左端和右端的均值，即 threshhold = (R+L)/2； * 如果当前阈值查找结果数量大于1，则说明阈值太小，需要往右端靠近，即左端就增大，即L += (R - L) / 2； * 如果结果数量为0，则说明阈值太大，右端应该减小，即R -= (R - L) / 2； * 当结果数量为1时，说明阈值刚代码实现 img = cv2.imread("/home/yhch/Pictures/target.jpg",1) img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) template = cv2.imread('/home/yhch/Pictures/template.png', 0) w, h = template.shape[::-1] res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED) L = 0 R = 1 count = 0 while count < 20: threshold = (L+R)/2 count += 1 loc = np.where(res >= threshold) if len(loc[0]) > 1: L += (R-L) /2 elif len(loc[0]) == 1: pt = loc[::-1] print('目标区域的左上角坐标:',pt[0],pt[1]) print('次数:',count) print('阀值',threshold) break elif len(loc[0]) < 1: R -= (R-L) / 2 cv2.rectangle(img,pt,(pt[0]+w,pt[1]+h),(34,139,34),2) cv2.imshow("img_template",template) cv2.imshow("processed",img) cv2.waitKey(0) img 小结

通过OPencv的模板识别功能，并且用二分法对针实际场景进行二次开发，后面会利用这里的知识点，对网易易盾滑动验证码进行破解。代码已上传到github(点这里)

关于作者

个人博客: https://yhch.xyz

【本文地址】

[OpenCV

[OpenCV

今日新闻

推荐新闻