【【OpenCV实现图像：用OpenCV进行模板匹配】

news/2024/7/21 7:52:11 标签: opencv, 人工智能, 计算机视觉, 图像处理, python

文章目录

    • 概要
    • 整体架构流程
    • 图像灰度化
    • 结论

概要

模板匹配是一种在图像处理领域广泛应用的技术，旨在寻找目标模板在源图像中的位置。该算法的核心思想是通过比较模板与源图像的局部区域，逐像素滑动，创建一个相似度图，反映了模板与源图像各位置的相似程度。
使用OpenCV库实现模板匹配，该过程类似于在卷积神经网络中使用卷积核的方式。

模板匹配的基本原理：
模板匹配的基本原理是在源图像上通过逐像素滑动的方式，将模板与源图像的每个部分进行比较。这相当于在图像上进行卷积操作，其中每个像素值表示了模板与源图像相应区域的相似性。这个过程生成了一个相似度图，通过分析该图，可以识别出峰值，这些峰值对应于源图像中与模板相匹配的位置。

OpenCV中的模板匹配实现：
在OpenCV中，模板匹配通过cv2.matchTemplate()函数实现。该函数采用源图像和模板图像作为输入，返回一个相似度图。通过分析相似度图，可以使用cv2.minMaxLoc()函数找到最大匹配值的位置，从而确定模板在源图像中的位置。

相似性度量的选择：
模板匹配的实现可能基于不同的相似性度量方法，例如平方差匹配、相关性匹配或归一化互相关匹配。选择适当的相似性度量方法取决于具体的应用场景和需求。

整体架构流程

首先导入原图像并且显示出来：

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Show the original image with a smaller window
plt.figure(figsize=(10, 10))
plt.imshow(original_image)
plt.title('Original Image', fontsize=16, weight='bold')
plt.axis('off')
plt.show()

在这里插入图片描述

图像灰度化

虽然模板匹配适用于彩色图像，但让我们简化并将图像转换为灰度图来减少计算量。
这个可以调节窗口大小：
改（5，5）即可

plt.figure(figsize=(5,5))

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(5,5))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

在这里插入图片描述
加载模板
现在，让我们从灰度图中截取一个心动的表情作为我们的目标模板，代码如下

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()
template = gray_image[:80, -80:]
plt.figure(figsize=(5,5))
plt.imshow(template, cmap='gray')
plt.title('Template Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show();
print("Original image shape:", original_image.shape)
print("Gray image shape:", gray_image.shape)
print("Template shape:", template.shape)

取表情包的代码：template = gray_image[:80, -80:]
是指一个区域，这是最右上角的表情

在这里插入图片描述
这个是最左下角，可以自行适当调整。

template = gray_image[-80:, :80]

在这里插入图片描述

模板匹配

通过使用 skimage库中的match_template函数 , 我们可以得到衡量模板图和原图的相似度的热力图，如下：

result = match_template(gray_image, template)
plt.figure(figsize=(10,10))
imshow(result, cmap='viridis')
plt.show();

在这里插入图片描述
全部代码：

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Define the template
template = gray_image[:80, -80:]

# Show the template
plt.figure(figsize=(5,5))
plt.imshow(template, cmap='gray')
plt.title('Template Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Perform template matching
result = match_template(gray_image, template)

# Display the result
plt.figure(figsize=(10,10))
imshow(result, cmap='viridis')
plt.show()

# Find the location of the template
x, y = np.unravel_index(np.argmax(result), result.shape)

# Display the original image with the rectangle around the matched region
imshow(gray_image)
template_width, template_height = template.shape
rect = plt.Rectangle((y, x), template_height, template_width, color='y',
                     fc='none')
plt.gca().add_patch(rect)
plt.show()

在这里插入图片描述

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Define the template
template = gray_image[:80, -80:]

# Show the template
plt.figure(figsize=(5,5))
plt.imshow(template, cmap='gray')
plt.title('Template Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Perform template matching
result = match_template(gray_image, template)

# Display the result
plt.figure(figsize=(10,10))
imshow(result, cmap='viridis')
plt.show()

# Set a threshold for peak detection
# Set a lower threshold for peak detection
threshold = 0.9

# Find the location of the template with peak_local_max
imshow(gray_image)
template_width, template_height = template.shape
for x, y in peak_local_max(result, threshold_abs=threshold):
    rect = plt.Rectangle((y, x), template_height, template_width, color='red',
                         fc='none')
    plt.gca().add_patch(rect)

plt.show()

可以设置阈值

threshold = 0.5

在这里插入图片描述

threshold = 0.9

在这里插入图片描述
至于最右上角的为什么识别不出来，是因为上面模板匹配找设置的时候，右边的笑脸框进去了，但是最右上角的没有左半边笑脸，就自动被排除在外了。

原图显示;

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Define the template
template = gray_image[:80, -80:]

# Perform template matching
result = match_template(gray_image, template)

# Set a lower threshold for peak detection
threshold = 0.75

# Find the location of the template with peak_local_max
imshow(gray_image)
template_width, template_height = template.shape
for x, y in peak_local_max(result, threshold_abs=threshold):
    rect = plt.Rectangle((y, x), template_height, template_width, color='red',
                         fc='none')
    plt.gca().add_patch(rect)

# Overlay the result on the original image
plt.figure(figsize=(20, 20))
plt.imshow(original_image)
plt.title('We found our heart eyes emojis!', fontsize=20, weight='bold', color='red')
for x, y in peak_local_max(result, threshold_abs=threshold):
    rect = plt.Rectangle((y, x), template_height, template_width, color='red',
                         fc='none')
    plt.gca().add_patch(rect)

plt.show()

在这里插入图片描述

结论

通过使用OpenCV进行模板匹配，我们可以有效地在图像中定位目标模板的位置。该方法广泛应用于目标检测、物体识别和图像分析等领域。在实际应用中，根据具体需求选择合适的相似性度量方法和调整算法参数，可以获得更精确的匹配结果。


http://www.niftyadmin.cn/n/5181562.html

相关文章

7-6 Python字典-学生成绩统计

7-6 Python字典-学生成绩统计

7-6 Python字典-学生成绩统计 分数 10 作者 gllypx 单位 桂林学院 有一个班若干个学生考试的成绩表，由学号和成绩组成，将其组成一个字典如： {‘1001’:85,‘1002’:70,‘1003’:100,‘1005’:60,‘1008’:100}。 输出内容： 按成绩…
阅读更多...
SpringBoot框架原理

SpringBoot框架原理

SpringBoot框架原理 1.配置优先级 SpringBoot底层支持三种配置文件：application.properties、application.yml、application.yaml 一个项目中如果三种配置文件配置了相同的内容，优先级是properties>yml>yaml,yml是主流 SpringBoot为了增强程序的…
阅读更多...
[Kettle] 记录处理

[Kettle] 记录处理

1.排序记录 排序是对数据中的无序记录，按照自然或客观规律，根据关键字段大小递增或递减的次序，对记录重新排列的过程 数据源 2019年11月月考数学成绩(Kettle数据集3).xlshttps://download.csdn.net/download/Hudas/88521681 2019年11月月考…
阅读更多...
【C#学习】StringBuilder

【C#学习】StringBuilder

Features: 可变 stringBuilder和string[]结合使用 StringBuilder sb new StringBuilder(); string[] arr sb.ToString().Split(\n);
阅读更多...
【LeetCode刷题笔记】二叉树（二）

【LeetCode刷题笔记】二叉树（二）

257. 二叉树的所有路径 解题思路： 1. DFS 前序遍历 ，每次递归将 当前节点的拼接结果 传递到 下一层 中，如果当前节点是 叶子节点 ，就将 当前拼接结果 收集答案并返回。 注意：路径path结果可以使用 String 来拼接，这样可以避免回溯处理。
阅读更多...
C#，数值计算——函数计算，Ratfn的计算方法与源程序

C#，数值计算——函数计算，Ratfn的计算方法与源程序

1 文本格式 using System; namespace Legalsoft.Truffer { public class Ratfn { private double[] cofs { get; set; } private int nn { get; set; } private int dd { get; set; } public Ratfn(double[] num, double[] den) { …
阅读更多...
csv文件导入mysql指定表中

csv文件导入mysql指定表中

csv文件导入mysql指定表中 mysql数据库准备指定表 准备导入的csv数据如下： sepaLengthsepalWidthpetalLengthpetalWidthlabel5.13.51.40.204.931.40.204.73.21.30.20…………… 准备导入的数据为151行5列的数据，其中第一行为标题行。 因此&#xff0…
阅读更多...
王道数据结构课后代码题p40 6.有一个带头结点的单链表L，设计一个算法使其元素递增有序 （c语言代码实现）

王道数据结构课后代码题p40 6.有一个带头结点的单链表L，设计一个算法使其元素递增有序 （c语言代码实现）

这一题其实用到了直接插入排序的思想 视频讲解在这里哦：👇 p40 第6题 王道数据结构课后代码题 c语言代码实现_哔哩哔哩_bilibili 本题代码为 void paixu(linklist* L)//对单链表内的元素排序 {lnode* p (*L)->next;lnode* pre *L;lnode* r p-&…
阅读更多...
最新文章

Copyright @ 2022~2023