目錄
- 多模板匹配
- 獲取匹配位置的集合
- 循環(huán)
- 在循環(huán)中使用zip()
- 替換坐標(biāo)
- 實戰(zhàn)多模板匹配
- 實例：基于opencv的多目標(biāo)模板匹配
模板匹配的作用在圖像識別領(lǐng)域作用可大了。那什么是模板匹配？
模板匹配，就是在一幅圖像中尋找另一幅模板圖像最匹配（也就是最相似）的部分的技術(shù)。
多模板匹配
在上一篇的實戰(zhàn)中，我們通過人物眼睛的子圖，找出了其在圖像中出現(xiàn)位置。但是，有些情況下，并不僅僅只有一次，比如我們講解傅里葉變換時，曾介紹一張草原的獅子圖。如果匹配某個草，可能單個圖像內(nèi)會有很多，這個時候就要找出多個匹配結(jié)果。
而函數(shù)cv2.minMaxLoc()僅僅能找出最值，無法給出所有匹配區(qū)域的位置信息。所以，要想匹配多個結(jié)果，就需要進(jìn)行如下4個步驟：
獲取匹配位置的集合
首先，Numpy庫中的函數(shù)where()能夠獲取模板匹配位置的集合。對于不同的輸入，其返回值是不同的。
- 當(dāng)輸入是一維數(shù)組時，返回值是一維索引，只是一組索引數(shù)組。
- 當(dāng)輸入是二維數(shù)組時，返回的是匹配值的位置索引，因此會有兩組索引數(shù)組表示返回值的位置。
比如，我們的灰度圖像一般都是二維數(shù)組。下面，我們來查找一個二維數(shù)組中，值大于8的元素索引：
import numpy as np
img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
print(result)
運(yùn)行之后，控制臺會輸出如下內(nèi)容：
如果你對Numpy不是很了解的化。下面博主在將數(shù)據(jù)轉(zhuǎn)換以下，基本上都能看懂了。轉(zhuǎn)換之后，格式如下：
第一行為大于5的值的X坐標(biāo)，第二行為大于5的值的Y坐標(biāo)。那么上面大于5的數(shù)組索引為：[0,2]，[0,3]，[0,4]，[1,0]，[1,1]，[1,2]，[1,3]，[2,0]，[2,1]，[2,2]，[2,3]。你可以回溯對比看看是不是一致的。
通過np.where()函數(shù)可以找出在cv2.matchTemplate()函數(shù)的返回值中，哪些位置上的值是大于閾值threshold的。具體操作代碼如下：
loc=np.where(res>threshold)
循環(huán)
因為我們找到的原圖對應(yīng)的模板圖像不止一個，要處理多個值，肯定會用到循環(huán)。因此，在獲取匹配值的索引后，可以采用如下語句遍歷所有匹配的位置，對這些位置做標(biāo)記：
for i in 匹配位置集合:
標(biāo)記匹配位置
在循環(huán)中使用zip()
函數(shù)zip()用可迭代的對象作為參數(shù)，將對象中對應(yīng)的元素打包成一個個元組，然后返回由這些元組組成的列表。
例如，我們獲取的索引為x,y,z。下面我們使用zip()將它們打包成元組。代碼如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
for i in zip(*result):
print(i)
這里我們還是使用上面的值，輸出結(jié)果如下：
這里自動將我們剛才滿足條件的索引打包成了元素格式。是不是比剛才的控制臺輸出結(jié)果更加的直觀呢？
替換坐標(biāo)
我們上面得到的結(jié)果是符合條件的索引：（行號，列號），但我們需要繪制匹配位置的矩形，需要的是（列號，行號）。
所以，在使用cv2.rectangle()繪制矩形前，要先將函數(shù)numpy.where()得到的位置索引行列互換，行列互換可以通過如下代碼實現(xiàn)：
import numpy as np
img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
for i in zip(*result[::-1]):
print(i)
運(yùn)行之后，輸出結(jié)果如下：
實戰(zhàn)多模板匹配
既然我們已經(jīng)了解了標(biāo)記繪制多個模板位置的4個步驟。下面，我們直接將上面的代碼整理以下，即可完成多模板的匹配。具體代碼如下所示：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("34.jpg", 0)
template = cv2.imread("4_1.jpg", 0)
w, h = template.shape[::-1]
res = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.9
loc = np.where(res >= 0.9)
for i in zip(*loc[::-1]):
cv2.rectangle(img, i, (i[0] + w, i[1] + h), 255, 1)
plt.imshow(img, cmap="gray")
plt.axis("off")
plt.show()
這里的代碼與上面4個步驟一摸一樣，具體就不做過多的講解了。運(yùn)行之后，多個模板也就匹配完成。
附錄：
模板圖
原圖
實例：基于opencv的多目標(biāo)模板匹配
利用opencv進(jìn)行多目標(biāo)模板匹配，只要是利用其matchTemplate函數(shù)，但在多目標(biāo)（這里是討論目標(biāo)圖片中不同大小模板的匹配），以下貼出代碼和圖片，供大家參考：
#include opencv2\core\core.hpp>
#include opencv2\highgui\highgui.hpp>
#include opencv2\imgproc\imgproc.hpp>
#include iostream>
#include math.h>
using namespace std;
using namespace cv;
Point getNextMinLoc(Mat result, Point minLoc, int maxValue, int templatW, int templatH);
int main(void)
{
Mat src = imread("1_2.png");
Mat srcCopy = src.clone();
Mat temp = imread("1_4.png");
Mat result;
if (src.empty() || temp.empty())
{
cout "打開圖片失敗" endl;
return 0;
}
vectorMat> templat;
vectorfloat> minV;
vectorPoint> minL;
int srcW, srcH, templatW, templatH, resultH, resultW;
srcW = src.cols;
srcH = src.rows;
templat.push_back(temp);
double minValue, maxValue;
Point minLoc, maxLoc;
for (int i=0;i10;i++)
{
cout i ": ";
templatW = templat[i].cols;
templatH = templat[i].rows;
if (srcW templatW || srcH templatH)
{
cout "模板不能比原圖大" endl;
return 0;
}
resultW = srcW - templatW + 1;
resultH = srcH - templatH + 1;
result.create(Size(resultW, resultH), CV_32FC1);
matchTemplate(src, templat[i], result, CV_TM_SQDIFF_NORMED);
minMaxLoc(result, minValue, maxValue, minLoc, maxLoc);
cout "min1: " minValue endl;
if (minValue=0.070055)
{
rectangle(srcCopy, minLoc, Point(minLoc.x + templatW, minLoc.y + templatH), Scalar(0, 0, 255), 2, 8, 0);
Point new_minLoc;
new_minLoc = getNextMinLoc(result, minLoc, maxValue, templatW, templatH);
float *data = result.ptrfloat>(new_minLoc.y);
cout "min2: " data[new_minLoc.x] " ";
if (data[new_minLoc.x]=0.5)
{
cout "進(jìn)這個函數(shù)了:" i "：" new_minLoc.x;
cout " " new_minLoc.y;
rectangle(srcCopy, new_minLoc, Point(new_minLoc.x + templatW, new_minLoc.y + templatH),
Scalar(0, 255, 0), 2, 8, 0);
new_minLoc = getNextMinLoc(result, new_minLoc, maxValue, templatW, templatH);
}
float *data1 = result.ptrfloat>(new_minLoc.y);
cout "min3: " data1[new_minLoc.x] " " endl;
if (data1[new_minLoc.x] = 0.4)
{
rectangle(srcCopy, new_minLoc, Point(new_minLoc.x + templatW, new_minLoc.y + templatH),
Scalar(255, 0, 0), 2, 8, 0);
}
}
cout "#" endl;
Mat temp_templat;
resize(templat[i], temp_templat, Size(templat[i].cols / 1.1, templat[i].rows / 1.1));
templat.push_back(temp_templat);
}
imshow("結(jié)果", srcCopy);
waitKey(0);
return 0;
}
Point getNextMinLoc(Mat result, Point minLoc, int maxValue, int templatW, int templatH)
{
//imshow("result", result);
//cout "maxvalue: " maxValue endl;
int startX = minLoc.x - templatW / 3;
int startY = minLoc.y - templatH / 3;
int endX = minLoc.x + templatW / 3;
int endY = minLoc.y + templatH / 3;
if (startX 0 || startY 0)
{
startX = 0;
startY = 0;
}
if (endX > result.cols - 1 || endY > result.rows - 1)
{
endX = result.cols - 1;
endY = result.rows - 1;
}
int y, x;
for (y = startY; y endY; y++)
{
for (x = startX; x endX; x++)
{
float *data = result.ptrfloat>(y);
data[x] = maxValue;
}
}
double new_minValue, new_maxValue;
Point new_minLoc, new_maxLoc;
minMaxLoc(result, new_minValue, new_maxValue, new_minLoc, new_maxLoc);
//imshow("result_end", result);
return new_minLoc;
}
以下是結(jié)果圖：
到此這篇關(guān)于OpenCV-Python實現(xiàn)多模板匹配的文章就介紹到這了,更多相關(guān)OpenCV 多模板匹配內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- opencv-python圖像配準(zhǔn)(匹配和疊加)的實現(xiàn)
- Opencv Python實現(xiàn)兩幅圖像匹配
- Python使用Opencv實現(xiàn)圖像特征檢測與匹配的方法
- Python和OpenCV進(jìn)行多尺度模板匹配實現(xiàn)
- OpenCV-Python模板匹配人眼的實例
- python基于OpenCV模板匹配識別圖片中的數(shù)字
- Python開發(fā)之基于模板匹配的信用卡數(shù)字識別功能
- Python+Opencv實現(xiàn)圖像匹配功能(模板匹配)
