目錄
- 多模板匹配
- 獲取匹配位置的集合
- 循環
- 在循環中使用zip()
- 替換坐標
- 實戰多模板匹配
- 實例：基于opencv的多目標模板匹配
模板匹配的作用在圖像識別領域作用可大了。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。
多模板匹配
在上一篇的實戰中，我們通過人物眼睛的子圖，找出了其在圖像中出現位置。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，可能單個圖像內會有很多，這個時候就要找出多個匹配結果。
而函數cv2.minMaxLoc()僅僅能找出最值，無法給出所有匹配區域的位置信息。所以，要想匹配多個結果，就需要進行如下4個步驟：
獲取匹配位置的集合
首先，Numpy庫中的函數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。
- 當輸入是一維數組時，返回值是一維索引，只是一組索引數組。
- 當輸入是二維數組時，返回的是匹配值的位置索引，因此會有兩組索引數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組。下面，我們來查找一個二維數組中，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)
運行之后，控制臺會輸出如下內容：
如果你對Numpy不是很了解的化。下面博主在將數據轉換以下，基本上都能看懂了。轉換之后，格式如下：
第一行為大于5的值的X坐標，第二行為大于5的值的Y坐標。那么上面大于5的數組索引為：[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()函數可以找出在cv2.matchTemplate()函數的返回值中，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
因為我們找到的原圖對應的模板圖像不止一個，要處理多個值，肯定會用到循環。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，對這些位置做標記：
在循環中使用zip()
函數zip()用可迭代的對象作為參數，將對象中對應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果更加的直觀呢？
替換坐標
我們上面得到的結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：
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)
運行之后，輸出結果如下：
實戰多模板匹配
既然我們已經了解了標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的多目標模板匹配
利用opencv進行多目標模板匹配，只要是利用其matchTemplate函數，但在多目標（這里是討論目標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 "進這個函數了:" 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;
}
以下是結果圖：
到此這篇關于OpenCV-Python實現多模板匹配的文章就介紹到這了,更多相關OpenCV 多模板匹配內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關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(匹配和疊加)的實現
- Opencv Python實現兩幅圖像匹配
- Python使用Opencv實現圖像特征檢測與匹配的方法
- Python和OpenCV進行多尺度模板匹配實現
- 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字
- Python開發之基于模板匹配的信用卡數字識別功能
- Python+Opencv實現圖像匹配功能(模板匹配)
