1、模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域
2、模板匹配首先要有一个模板图像T(给定的子图像)
3、另外需要一个待检测的图像——源图像S
4、工作方法:在检测图像上,从左到右,从上到下计算模板图像与重叠子图像的匹配度,匹配程度越大,两者相同的可能性就越大。
import cv2 as cv
import numpy as np
def template_demo():
# tpl是模板图像
tpl = cv.imread('C:/Users/Y/Pictures/Saved Pictures/tpl.png')
# target是源图像
target = cv.imread('C:/Users/Y/Pictures/Saved Pictures/lena.png')
cv.imshow('template image', tpl)
cv.imshow('target image', target)
# 第一个是平方不同,第二个是相关性,第三个是相关性因子
methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED]
# 模板图像的宽、高
th, tw = tpl.shape[:2]
for md in methods:
print(md)
result = cv.matchTemplate(target, tpl, md)
# 匹配程度最大的像素值,以及该像素的位置(不同的匹配方法,有不同的衡量标准)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
if md == cv.TM_SQDIFF_NORMED:
tl = min_loc # tl是矩形左上角坐标
else:
tl = max_loc
br = (tl[0]+tw, tl[1]+th) # 矩形框右下角坐标
cv.rectangle(target, tl, br, (0, 0, 255), 2) # 在target图像上绘制匹配的矩形框
cv.imshow('match-'+np.str(md), target)
# cv.imshow('match-'+np.str(md), result)
src = cv.imread('C:/Users/Y/Pictures/Saved Pictures/demo.png')
# cv.namedWindow('input image', cv.WINDOW_AUTOSIZE)
# cv.imshow('input image', src)
template_demo()
cv.waitKey(0)
cv.destroyAllWindows()
匹配图像 target图像 cv.TM_SQDIFF_NORMED匹配后的图像
cv.TM_CCORR_NORMED匹配后的图像 cv.TM_CCOEFF_NORMED匹配后的图像 result-match-11
result-match-3 result-match-5
可以看出,第一幅result图像中有一个明显的黑点,第二幅和第三幅result图像汇总有两个明显的白点,这是匹配程度最高的地方所对应的像素点。
扫描二维码关注公众号,回复:
9837188 查看本文章