机器学习：opencv图像识别--模版匹配

本文主要是介绍机器学习：opencv图像识别--模版匹配，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、模版匹配的核心概念

1.图片模板匹配是一种用于在图像中查找特定模式或对象的技术。

2.模板图像

3.目标图像

4.滑动窗口

5.相似度度量

6.匹配位置

二、模版匹配的步骤

1.准备图像：

2.预处理：

3.匹配：

4.定位最佳匹配：

5.标记结果：

6.显示或处理结果：

三、代码实现

一、模版匹配的核心概念

1.图片模板匹配是一种用于在图像中查找特定模式或对象的技术。

2.模板图像

这是你要在目标图像中找到的部分。模板图像通常比目标图像小，并且包含你感兴趣的特征。

3.目标图像

这是包含模板图像的图像。在目标图像中，你希望找到与模板图像匹配的区域。

4.滑动窗口

模板图像像一个窗口一样在目标图像上滑动。这种滑动可以是从左到右，从上到下，或以其他方式覆盖整个目标图像。

5.相似度度量

在每个窗口位置，计算模板图像与目标图像窗口区域的相似度。常见的相似度度量包括：

归一化互相关（NCC）：衡量两个图像块之间的相似度，通过比较像素值的相关性。
均方误差（MSE）：计算模板图像与目标图像窗口区域之间的像素差异的平方和。
结构相似性（SSIM）：评估图像的亮度、对比度和结构相似度。

6.匹配位置

通过比较相似度度量的结果，确定模板图像在目标图像中最佳的匹配位置。通常，最大或最小的相似度值指示了最佳匹配。

二、模版匹配的步骤

1.准备图像：

目标图像：这是你希望在其中查找模板图像的图像。
模板图像：这是你要在目标图像中查找的图像片段或图案。

2.预处理：

灰度化（可选）：将目标图像和模板图像转换为灰度图像，以简化计算和提高效率（对于一些匹配方法，灰度化是可选的）。

3.匹配：

使用匹配算法计算模板图像与目标图像不同位置之间的相似度。这些算法会生成一个相似度矩阵，矩阵中的每个值表示模板图像在目标图像某个位置的匹配度。

4.定位最佳匹配：

从相似度矩阵中找出最佳匹配的位置。通常，这会是矩阵中的最大值（表示最相似的区域）。

5.标记结果：

在目标图像上标记出匹配区域，通常是通过绘制一个矩形框来突出显示找到的模板图像的位置。

6.显示或处理结果：

显示带有匹配标记的目标图像，或将结果保存以供后续处理。

三、代码实现

完整代码以及函数参数介绍
使用的是cv2.matchTemplate()方法

"""模版匹配"""# cv2.matchTemplate(image, templ, method, result=None, mask=None)
# image:待搜索图像
# templ:模板图像
# method:计算匹配程度的方法,可以有:
#       TM_SQDIFF 平方差匹配法:该方法采用平方差来进行匹配;匹配越好,值越小;匹配越差,值越大。
#       TM_CCORR 相关匹配法:该方法采用乘法作;数值越大表明匹配程度越好。
#       TM_CCOEFF 相关系数匹配法:数值越大表明匹配程度越好。
#       TM_SQDIFF_NORMED 归一化平方差匹配法,匹配越好,值越小;匹配越差,值越大。
#       TM_CCORR_NORMED 归一化相关匹配法,数值越大表明匹配程度越好。
#       TM_CCOEFF_NORMED 归一化相关系数匹配法,数值越大表明匹配程度越好。import cv2kele = cv2.imread('baishi.jpg')
moban = cv2.imread('baishikele.png')
cv2.imshow('baishi', kele)
cv2.imshow('moban', moban)
cv2.waitKey(0)h, w = moban.shape[:2]  # 获取模版图片的高宽
res = cv2.matchTemplate(kele, moban, cv2.TM_CCOEFF_NORMED)   # 返回一个矩阵,其中每个元素表示该位置与模板的匹配程度
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值,以及最小值的索引号和最大值的索引号
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最小值、最大值、最小值位置、最大值位置
top_left = max_loc  # 最大值为匹配到的模板的左上角
bottom_right = (top_left[0] + w, top_left[1] + h)  # 主图片中用模版匹配到的位置
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 0, 255), thickness=3)cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)

输出：