OpenCV学习系列之模板匹配

高岗之子高毅

OpenCV学习系列之模板匹配

模板匹配算法介绍av电影有哪些

模板匹配算法主要为模板图像在基准图上进⾏由左往右、由上到下进⾏相关运算，最后得到⼀个进⾏相关运算后的系数矩阵：系数矩阵中的参数值⽤来度量模板图像在基准图中的⼦区域相似程度。采⽤相关系数来进⾏评判，模板匹配算法主要有基于灰度值的模板匹配、梯度值的模板匹配、相位相关匹配等⽅法。

灰度值匹配：

模板图像未经过任何预处理，直接取其像素值在原始图像上进⾏相关运算，灰度匹配算法优点在于速度快，缺点是对光照、亮度变化敏感，匹配鲁棒性不强。

梯度值匹配：

针对模板匹配对光照、亮度变化敏感，有学者提出采取先对模板图和原始图分别计算其对应的梯度图。通过梯度图进⾏相关运算，匹配准确率得以⼤幅提⾼。

模板匹配主要缺点：

1 基于灰度匹配算法不能够解决匹配景物存在旋转的情况

2 模板匹配算法耗时较⼤，相对于特征匹配效率低

模板匹配算法⽰例(图像数字化展⽰)

采取矩阵演⽰模式，假设基准图像矩阵G为：

模板图像为T（假设为基准图矩阵G的⼦区域复制版本）：

计算T在G的匹配位置(相关运算)：越界部分补零

[模板T中⼼点5从矩阵G起点(0,0)由左往右从上往下依次进⾏运算]

Gs(0, 0) = 01 + 02 + 03 + 04 + 05 + 06 + 07 + 08 + 19 = 9

Gs(0, 1) = 01 + 02 + 03 + 04 + 05 + 06 + 07 + 18 + 29 = 26

…

计算所有的相关系数矩阵Gs :

通过相关系数矩阵Gs可以看出，矩阵中最⼤参数值为285，最⼤参数值对应模板匹配的中⼼位置点(坐标)[绿⾊线框标定匹配结果]。当然，模板匹配算法改进会添加归⼀化步骤，梯度图像或者相位图的匹配。

模板匹配算法实验代码

#include"stdafx.h"

#include"opencv2/imgcodecs.hpp"函件业务

#include"opencv2/highgui.hpp"

#include"opencv2/imgproc.hpp"

#include<iostream>

using namespace std;

using namespace cv;

/// 全局变量声明

bool use_mask;

Mat img; Mat templ; Mat mask; Mat result;

const char* image_window ="Source Image";

const char* result_window ="Result window";

int match_method;

int max_Trackbar =5;

void MatchingMethod(int,void*);

int main(int argc,char** argv)

{

argv[1]="..\\Histograms_Matching\\image\\lena.jpg";

argv[2]="..\\Histograms_Matching\\image\\template.jpg";

国瓷2008

// argv[3] = "..\\Histograms_Matching\\image\\template2.jpg";

/// 加载模板图与基准图

img =imread(argv[1], IMREAD_COLOR);

templ =imread(argv[2], IMREAD_COLOR);

if(argc >3){

use_mask =true;

mask =imread(argv[3], IMREAD_COLOR);

}

pty()|| pty()||(use_mask && pty()))

{

cout <<"Can't read one of the images"<< endl;

return-1;

}

/// 显⽰窗⼝创建

namedWindow(image_window, WINDOW_AUTOSIZE);大国脚印

namedWindow(result_window, WINDOW_AUTOSIZE);

/// 创建轨迹条

/// SQDIFF: 差值平⽅和匹配 SQDIFF NORMED: 标准化差值平⽅和匹配

/// TM_CORR: 相关匹配 TM_CORR NORMED: 标准(归⼀化)相关匹配

/// TM_COEFF: 相关系数匹配 TM_COEFF NORMED: 标准相关系数匹配

const char* trackbar_label ="Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COE FF NORMED";

createTrackbar(trackbar_label, image_window,&match_method, max_Trackbar, MatchingMethod);

MatchingMethod(0,0);/// 匹配参数⼊⼝函数

/// [wait_key]

waitKey(0);

system("pause");

return0;

}

匹配函数

void MatchingMethod(int,void*)

{

/// 原始图像拷贝

Mat img_display;

/// 创建匹配输出图像结果矩阵

int result_cols = ls - ls +1;

int result_rows = ws - ws +1;

/// 模板匹配

bool method_accepts_mask =(CV_TM_SQDIFF == match_method || match_method == CV_TM_CCORR_NORMED);

成教本科if(use_mask && method_accepts_mask)

{

matchTemplate(img, templ, result, match_method, mask);

}

else

{

matchTemplate(img, templ, result, match_method);

}

//! 归⼀化

normalize(result, result,0,1, NORM_MINMAX,-1,Mat());

/// 通过minMaxLoc来定位最佳匹配位置

double minVal;double maxVal; Point minLoc; Point maxLoc;

Point matchLoc;

/// 寻图像矩阵中最⼤最⼩像素点

minMaxLoc(result,&minVal,&maxVal,&minLoc,&maxLoc,Mat());

/// 对于SQDIFF与SQDIFF_NORMED⽅式, 最佳匹配在最⼩点. 相反其它模式，最佳匹配在最⼤点位置

if(match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED)

{

matchLoc = minLoc;

}

else

{

matchLoc = maxLoc;

}

/// 绘制匹配区

rectangle(img_display, matchLoc,Point(matchLoc.x + ls, matchLoc.y + ws), Scalar::all(0),2,8,0); rectangle(result, matchLoc,Point(matchLoc.x + ls, matchLoc.y + ws), Scalar::all(0),2,8,0);

imshow(image_window, img_display);

imshow(result_window, result);

return;

}

匹配实验结果：

总结

模板匹配算法经过多年发展已近趋于成熟，基于图像灰度信息的模板匹配算法最先被提出与使⽤，通过计算模板图像与基准图像滑动的⼦区域的相关系数进⾏判决匹配位置。随后由于基于灰度的匹配⽅法鲁棒性较差：光照、亮度等影响；因此出现基于梯度图像的模板匹配算法，梯度图抗光照、噪声、亮度等较好。模板匹配进⾏相关运算时耗时较⾼，由于卷积与相关实际运算中较为接近(可以近似理解卷积运算就是相关运算过程中核函数(模板图像)旋转180°)，可以通过FFT进⾏加速运算；由于模板匹配对于景象有旋转变化时失效，后期逐渐发展为局部特征模式下的匹配算法，如SIFT、SURF等代表的算法⽕热了前⼆⼗年。随着12年Alexnet⽹络分类性能在ImageNet上脱颖⽽出，经典的⼿⼯设计⽅式告⼀段落，基于深度学习模式下的图像识别已经成为当下最流⾏的技术。但是，经典⼿⼯设计核函数思想在卷积神经⽹络设计中启发：Ps 低层次语义特征到⾼层次的语义特征是否类似于尺度空间的思想，不同⼤⼩的卷积核函数代表着不同的感受野等等。

代码下载

环境：windows10 x64 + vs2015 + opencv3.3.1

本文发布于:2024-09-22 18:21:18，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/105032.html

上一篇：精通Matlab数字图像处理与识别nbsp；nbsp；nbsp；nbsp；nbsp；nbsp；

下一篇：数字图像处理-畸变校正