opencv

2024-07-09 20:06| 来源: 网络整理| 查看: 265

opencv的图片模板匹配方法

【1】matchTemplate 用法介绍 result = cv.matchTemplate( image, templ, method[, result[, mask]] ) image：目标图 templ：模板图 method：原图与样章匹配效果的判别标准，平方差匹配cv2.TM_SQDIFF：用两者的平方差来匹配，最好的匹配值为0 归一化平方差匹配cv2.TM_SQDIFF_NORMED 相关匹配cv2.TM_CCORR：用两者的乘积匹配，数值越大表明匹配程度越好归一化相关匹配cv2.TM_CCORR_NORMED 相关系数匹配cv2.TM_CCOEFF：用两者的相关系数匹配，1表示完美的匹配，-1表示最差的匹配 ,识别率不如其他方法的高和cv2.TM_CCORR差不多归一化相关系数匹配cv2.TM_CCOEFF_NORMED

import cv2 target = cv2.imread("test.png") template = cv2.imread("0_0.png") result = cv2.matchTemplate( target , template, cv2.TM_SQDIFF_NORMED) print(result) #输出的是一组数组

【2】minMaxLoc 用法介绍主要功能是在矩阵里面找大最大值和最小值以及他们对应的索引

import numpy as np import cv2 a = np.array([[1,2], [3, 4]]) x = cv2.minMaxLoc(a) print(x) #(1.0, 4.0, (0, 0), (1, 1))

【3】normalize 用法介绍归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。 normalize(src, dst, alpha=None, beta=None, norm_type=None, dtype=None, mask=None) src 输入数组； dst 输出数组，数组的大小和原数组一致； alpha 用来规范值或者规范范围，并且是下限； beta 只用来规范范围并且是上限，因此只在NORM_MINMAX中起作用； norm_type 归一化选择的数学公式类型； dtype 当为负，输出在大小深度通道数都等于输入，当为正，输出只在深度与输如不同，不同的地方由dtype决定； mark 掩码。选择感兴趣区域，选定后只能对该区域进行操作四种norm_type的区别 cv2.NORM_L1、cv2.NORM_INF、cv2.NORM_L2模式下归一化结果与beta无关，只与alpha有关，详见第4部分的公式说明； cv2.NORM_MINMAX中alpha、beta都起作用，同时需要注意的是alpha和beta的取值顺序与归一化结果无关。即alpha=255,beta=0和alpha=0,beta=255最后的归一化结果是相同的。

import cv2 target = cv2.imread("test.png") template = cv2.imread("0_0.png") result = cv2.matchTemplate( target , template, cv2.TM_SQDIFF_NORMED) print('归一化之前..........',result) cv2.normalize(result, result, 0, 1, cv2.NORM_MINMAX, -1) #归一化 print('归一化之后..........',result)

【4】rectangle 用法介绍图像上绘制一个简单的矩形。 cv2.rectangle(img, pt1, pt2, color[, thickness[, lineType[, shift]]]) → None img – 图片 pt1 — 矩形的顶点 pt2 — 与pt1相对的点 color -颜色

import cv2 img = cv2.imread('1.png',0) #灰色度显示图片 cv2.rectangle(img,(100,100),(300,200),(0,245,243),2) cv2.imshow('blue',img) cv2.waitKey(0) cv2.destroyAllWindows()

实例1 — 识别率不是100%准确，后续改进中…

import cv2 import numpy as np target = cv2.imread("test.png") template = cv2.imread("0_0.png") theight, twidth = template.shape[:2] result = cv2.matchTemplate( target , template, cv2.TM_SQDIFF_NORMED,-1) cv2.normalize(result, result, 0, 1, cv2.NORM_MINMAX) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) cv2.rectangle(target, min_loc, (min_loc[0] + twidth, min_loc[1] + theight), (0, 0, 225), 2) 如果方法是TM_SQDIFF或TM_SQDIFF_NORMED，则取最小值，其他的取最大值 cv2.imshow("aa", target) cv2.waitKey() cv2.destroyAllWindows()

实例2 看起来比1的识别率要高一些具体原因是cv2.TM_CCOEFF_NORMED 比TM_SQDIFF_NORMED方法识别率要高些…

import cv2 self.template = cv2.imread('template,png',0) self.width, self.height = self.template.shape[::-1] # shape读取图片的三维通道分别是高*宽*颜色 self.target = cv2.imread('tar.png', 0) res = cv2.matchTemplate(self.target, self.template,cv2.TM_CCOEFF_NORMED) threshold = 0.9 loc = np.where(res >= threshold) for pt in zip(*loc[::-1]): self.x, self.y = (pt[0] + self.width // 2, pt[1] + self.height // 2) return self.x, self.y

【本文地址】

opencv

opencv

今日新闻

推荐新闻