这是我要进行匹配的图片:
匹配后的效果:
这是我要进行匹配的图片:
匹配后的效果:
实现源码如下: 这里使用了 CV_TM_SQDIFF 算法,调用方法为 cv.TM_SQDIFF
import cv2 as cv
def template_matching(img_match, img, arithmetic_model):
'''
【作用】
进行图片模板匹配
【参数1】
模板图片
【参数2】
进行匹配的图片
【参数3】
算法模型
【返回】
无
'''
# 进行模板匹配
result = cv.matchTemplate(img, img_match, arithmetic_model)
# 获取最小最大匹配值,还有对应的坐标
min_value, max_value, min_coordinate, max_coordinate = cv.minMaxLoc(result)
# 默认最佳最大值,当算法为CV_TM_SQDIFF或CV_TM_SQDIFF_NORMED时改为最小值
best_coordinate = max_coordinate;
if(arithmetic_model == cv.TM_SQDIFF or arithmetic_model == cv.TM_SQDIFF_NORMED):
best_coordinate = min_coordinate;
# 获取匹配图片的高和宽
m_height, m_width = img_match.shape[:2]
# 矩形的起始点和结束点
r_start = best_coordinate
r_end = (best_coordinate[0] + m_width, best_coordinate[1] + m_height);
# 矩形的颜色和线的宽度
r_color = (0, 0, 0)
r_line_width = 2
# 绘制矩形并展示
cv.rectangle(img, r_start, r_end, r_color, r_line_width)
cv.imshow("Xiao Lanzao", img)
# 传入图片数据
img_match = cv.imread("./image/baidu-ico.png")
img = cv.imread("./image/baidu-sousuo.png")
template_matching(img_match, img, cv.TM_SQDIFF)
cv.waitKey(0)
cv.destroyAllWindows()
在一些复杂的场景下,从简单的平方差算法到更复杂的相关系数算法,匹配的准确率会不断提高,但是计算量也同时增加了。
平方差匹配:CV_TM_SQDIFF
说明:
利用平方差进行匹配。
特点:系数越小匹配程度越好,最小值 0。
公式如下:
标准平方差匹配:CV_TM_SQDIFF_NORMED
特点同上①。
公式如下:
相关匹配:CV_TM_CCORR
利用模板和图像间的乘法操作。
特点: 系数越高匹配效果越好,最小值 0。
公式如下:
标准相关匹配:CV_TM_CCORR_NORMED
特点同③。
公式如下:
其中:
相关系数匹配 CV_TM_CCOEFF
利用模版对其均值的相对值与图像对其均值的相关值进行匹配。
特点: 系数越高匹配系数越好,最大值为 1,最小为 -1。
公式如下:
其中:
标准相关系数匹配:CV_TM_CCOEFF_NORMED
特点同上⑤。
公式如下:
喜欢的点个赞❤吧!