Python_办公自动化Python_图像处理

图像的模板匹配，Python OpenCV 取经之旅第 29 天

2021-11-26  本文已影响0人  梦想橡皮擦

Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。

基础知识铺垫

今天的 1 个小时，我们要交给模板匹配了，而且学习起来比较轻松，因为我看到一句话，模板匹配是最没用的匹配方式，应用场景很少。

就喜欢这样的技术，学起来的摩擦力小，不容易掉头发。

模板匹配

模板匹配大意就是在整个图像区域寻找已有的小图像，在寻找之前，你需要准备一个待寻找的图像，以及一个小图

寻找的形式是从左到右，从上到下，这个找法很形象了，一行一行的找。

在寻找的过程中，通过 OpenCV 封装好的算法，计算小图与大图的匹配度，这个匹配度越大，两张图片相同的可能性越大。

模板匹配函数原型

在 Python 中，通过 help 函数，可以查看任意函数的说明。

matchTemplate(image, templ, method[, result[, mask]]) -> result

参数说明如下：

关于 <kbd>method</kbd> 参数的值有以下几种情况：

以上内容整理自网络

接下来编写测试代码：

import cv2 as cv

# 读取目标图片，小图
target = cv.imread("./target.jpg")

# 读取模板图片，待查找的图片
template = cv.imread("./template.jpg")

# 获取模板图片的宽高尺寸，用于后面画矩形框
th, tw = template.shape[:2]

# 执行匹配模板，匹配方式选择标准平方差匹配
result = cv.matchTemplate(target, template, cv.TM_SQDIFF_NORMED)

# 输出匹配结果
print(type(result))
cv.imshow("image", result)
cv.waitKey()

注意下图中，最终匹配到的区域颜色最深。

20210130214156690[1].png

下面我们将其标记出来，需要用到一个新的函数，具体如下。

minMaxLoc 函数

该函数是在给定的矩阵中寻找最大值和最小值，并给出它们的位置。

特别说明是如果需要在所有的通道中查找最小或者最大元素，要先将矩阵重新解释为单通道，好吧，引出归一化的概念了。

那我们先把这个函数学到收，之后在把归一化的函数补充上。

函数原型如下：

minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc

原型比较简单，输入一个图像之后，可以返回 4 个值。

这 4 个值分别是，最大值，最小值以及最大值与最小值的位置。

上文我们使用的是 <kbd>cv.TM_SQDIFF_NORMED</kbd> 方法，按照上面的叙述，匹配值最小越好，所以需要获取一下图像的最小值位置。

修改上文代码如下：

import cv2 as cv

# 读取目标图片，小图
target = cv.imread("./target.jpg")
# cv.imshow("target", target)

# 读取模板图片，待查找的图片
template = cv.imread("./template.jpg")
# cv.imshow("template", template)

# 获取模板图片的宽高尺寸，用于后面画矩形框
th, tw = template.shape[:2]

# 执行匹配模板，匹配方式选择标准平方差匹配
result = cv.matchTemplate(target, template, cv.TM_SQDIFF_NORMED)

# 获取最小值位置
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
tl = min_loc
print(tl)
# 通过模板的宽和高，找到匹配最好的右下角地方
# tl[0],tl[1]分别代表最佳匹配值地方的 x 和 y
br = (tl[0]+tw, tl[1]+th)
cv.rectangle(target, tl, br, (0,0,255),2)
# 输出匹配结果

cv.imshow("image", target)
cv.waitKey()

最终运行效果如下，匹配成功。


20210130215837373[1].png

其他的 <kbd>method</kbd>你自行测试吧。

补一个 cv2.normalize

学习新的函数，先把概念通读，尝试理解，理解不要在降格到应用。

归一化就是把待处理的数据进行处理，这里的处理就是某种算法了，然后将数据限制在一个范围内（范围由我们自己定义）

归一化之后，数据会变得更加有可比性，具体原因还未找到可靠资料。

函数原型如下：

dst = cv2.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]])

参数说明：

应用起来比较简单，例如本篇博客中的案例，只需要增加如下代码即可。

# 归一化处理
cv.normalize(result, result, 0, 1, cv.NORM_MINMAX, -1)

橡皮擦的小节

希望今天的 1 个小时，你有所收获，我们下篇博客见~

相关阅读

技术专栏

  1. Python 爬虫 100 例教程，超棒的爬虫教程，立即订阅吧
  2. Python 爬虫小课，精彩 9 讲

逗趣程序员

  1. 曝光，程序员的 10 个摸鱼神器
  2. 5 个无聊 Python 程序，用 Python 整蛊你的朋友们吧
  3. 10 年老程序员教你甩锅必杀技，论【如何优雅的甩锅】
  4. 你想被开除吗？来看看程序员【离职小技巧】吧

今天是持续写作的第 <font color="red">70</font> / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。

上一篇下一篇

猜你喜欢

热点阅读