Python和OpenCV進行多尺度模板匹配實現

 更新時間:2021年09月10日 10:27:19   作者:程序媛一枚~  
本文將實現如何將標準模板匹配擴展到多尺度,使其可以處理模板和輸入圖像大小不同的匹配。具有一定的參考價值,感興趣的小伙伴們可以參考一下

這篇博文將實現如何將標準模板匹配擴展到多尺度,從而使其更加健壯。使其可以處理模板和輸入圖像大小不同的匹配。

1. 效果圖

模板匹配問題:對于模板和圖像中不一致的情況,會發生錯誤檢測。

如下圖左側模板小,右側圖像中大,雖然完全一致,只是大小不一樣,卻未被檢測到。

在這里插入圖片描述

優化:多尺度模板匹配,對于模板和圖像中有平移和縮放的情況可以完美工作。
如下圖:

在這里插入圖片描述

多尺度模板匹配,gif 詳細效果圖

在這里插入圖片描述

2. 原理

  •  使用cv2.matchTemplate進行模板匹配,不是很健壯。當模板的尺寸與檢測圖像上的尺寸不匹配時,將面臨錯誤檢測。
  • 模板匹配具有平移不變性。通過擴展可以使其對伸縮性(即大小)的變化更加健壯。
  • 多尺度模板匹配可以處理平移和縮放中的變化,但對旋轉或非仿射變換的變化不具有魯棒性。
  • 對于非仿射變換上的旋轉,可使用檢測關鍵點,提取局部不變描述符,并應用關鍵點匹配(keypoint matching)。
  • 如果模板相當嚴格且邊緣映射良好,只關心平移和縮放,那么多尺度模板匹配可以提供非常好的結果;
  • 使用邊緣映射而不是原始圖像進行模板匹配可以大大提高模板匹配的精度。
模板匹配不能很好地說明一個對象是否沒有出現在圖像中。 可以通過設置相關系數的閾值,但實際上是不可靠和穩健的。優化:更健壯的方法——關鍵點匹配。

3. 步驟

1)在每次迭代中,圖像都會被調整大小并計算Canny邊緣圖;
2)應用模板匹配,找到相關系數最大的圖像的邊界框(x,y)坐標;
3)最后,將這些值存儲在簿記變量中;
4)在算法的最后,找到所有尺度上相關系數響應最大的區域的(x,y)-坐標,然后繪制邊界框;

4. 源碼

# USAGE
# python match.py --template cod_logo.png --images images
# USAGE2 了解實際檢測原理及細節
# python match.py --template cod_logo.png --images images --visualize 1

# 導入必要的包
import argparse  # argparse解析命令行參數
import glob  # 獲取輸入圖像的路徑

import cv2  # opencv綁定
import imutils  # 圖像處理的一些方法
import numpy as np  # numpy進行數值處理

# 構建命令行及解析參數
# --template 模板路徑
# --images 原始圖像路徑
# --visualize 標志是否顯示每一個迭代的可視化結果
ap = argparse.ArgumentParser()
ap.add_argument("-t", "--template", required=True, help="Path to template image")
ap.add_argument("-i", "--images", required=True,
                help="Path to images where template will be matched")
ap.add_argument("-v", "--visualize",
                help="Flag indicating whether or not to visualize each iteration")
args = vars(ap.parse_args())

# 加載模板圖像,轉換灰度圖,檢測邊緣
# 使用邊緣而不是原始圖像進行模板匹配可以大大提高模板匹配的精度。
template = cv2.imread(args["template"])
template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
template = cv2.Canny(template, 50, 200)
(tH, tW) = template.shape[:2]
cv2.imshow("Template", template)

# 遍歷圖像以匹配模板
for imagePath in glob.glob(args["images"] + "/*.jpg"):

    # 加載圖像,轉換為灰度圖,初始化用于追蹤匹配區域的簿記變量
    image = cv2.imread(imagePath)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    found = None

    # 遍歷圖像尺寸
    for scale in np.linspace(0.2, 1.0, 20)[::-1]:
        # 根據scale比例縮放圖像,并保持其寬高比
        resized = imutils.resize(gray, width=int(gray.shape[1] * scale))
        r = gray.shape[1] / float(resized.shape[1])

        # 縮放到圖像比模板小,則終止
        if resized.shape[0] < tH or resized.shape[1] < tW:
            break

        # 在縮放后的灰度圖中檢測邊緣,進行模板匹配
        # 使用與模板圖像完全相同的參數計算圖像的Canny邊緣表示;
        # 使用cv2.matchTemplate應用模板匹配;
        # cv2.minMaxLoc獲取相關結果并返回一個4元組,其中分別包含最小相關值、最大相關值、最小值的(x,y)坐標和最大值的(x,y)坐標。我們只對最大值和(x,y)-坐標感興趣,所以只保留最大值而丟棄最小值。
        edged = cv2.Canny(resized, 50, 200)
        result = cv2.matchTemplate(edged, template, cv2.TM_CCOEFF)
        (_, maxVal, _, maxLoc) = cv2.minMaxLoc(result)

        # 檢查是否可視化
        if args.get("visualize", False):
            # 在檢測到的區域繪制邊界框
            clone = np.dstack([edged, edged, edged])
            cv2.rectangle(clone, (maxLoc[0], maxLoc[1]),
                          (maxLoc[0] + tW, maxLoc[1] + tH), (0, 0, 255), 2)
            cv2.imshow("Visualize", clone)
            cv2.waitKey(0)

        # 如果我們找到了一個新的最大校正值,更新簿記變量值
        if found is None or maxVal > found[0]:
            found = (maxVal, maxLoc, r)

    # 解包簿記變量并基于調整大小的比率,計算邊界框(x,y)坐標
    (_, maxLoc, r) = found
    (startX, startY) = (int(maxLoc[0] * r), int(maxLoc[1] * r))
    (endX, endY) = (int((maxLoc[0] + tW) * r), int((maxLoc[1] + tH) * r))

    # 在檢測結果上繪制邊界框并展示圖像
    cv2.rectangle(image, (startX, startY), (endX, endY), (0, 0, 255), 2)
    cv2.imshow("Image", image)
    cv2.waitKey(0)

5. 參考

https://www.pyimagesearch.com/2015/01/26/multi-scale-template-matching-using-python-opencv/

到此這篇關于Python和OpenCV進行多尺度模板匹配實現的文章就介紹到這了,更多相關OpenCV 多尺度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!

相關文章

  • 詳解Python3中ceil()函數用法

    詳解Python3中ceil()函數用法

    在本篇內容里我們給大家整理了關于Python3中ceil()函數用法以及相關知識點,需要的學習一下吧。
    2019-02-02
  • 詳解Python計算機視覺 圖像扭曲(仿射扭曲)

    詳解Python計算機視覺 圖像扭曲(仿射扭曲)

    這篇文章主要介紹了Python計算機視覺 圖像扭曲(仿射扭曲),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2019-03-03
  • Python繪制詞云圖之可視化神器pyecharts的方法

    Python繪制詞云圖之可視化神器pyecharts的方法

    這篇文章主要介紹了Python繪制詞云圖之可視化神器pyecharts,本文通過實例代碼給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2021-02-02
  • python辦公自動化之excel的操作

    python辦公自動化之excel的操作

    在我們日常工作中,經常會使用&nbsp;Word、Excel、PPT、PDF&nbsp;等辦公軟件但是,經常會遇到一些重復繁瑣的事情,這時候手工操作顯得效率極其低下;通過 Python 實現辦公自動化變的很有必要
    2021-05-05
  • Python max函數中key的用法及原理解析

    Python max函數中key的用法及原理解析

    最近有童鞋向小編求助怎么樣找到字符串中出現字數最多的字符呢,其實最簡單的處理方法是使用max函數,max()函數用于獲得給定的可迭代對象中的最大值,關于Python max函數key用法跟隨小編一起通過本文學習下吧
    2021-06-06
  • python的slice notation的特殊用法詳解

    python的slice notation的特殊用法詳解

    今天小編就為大家分享一篇python的slice notation的特殊用法詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-12-12
  • 在python 中實現運行多條shell命令

    在python 中實現運行多條shell命令

    今天小編就為大家分享一篇在python 中實現運行多條shell命令,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-01-01
  • python tkinter canvas使用實例

    python tkinter canvas使用實例

    這篇文章主要介紹了python tkinter canvas使用實例,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2019-11-11
  • 實例講解Python 迭代器與生成器

    實例講解Python 迭代器與生成器

    這篇文章主要介紹了Python 迭代器與生成器的相關資料,文中示例代碼非常詳細,幫助大家更好的理解和學習,感興趣的朋友可以了解下
    2020-07-07
  • PyCharm專業最新版2019.1安裝步驟(含激活碼)

    PyCharm專業最新版2019.1安裝步驟(含激活碼)

    這篇文章主要介紹了PyCharm專業最新版2019.1安裝步驟(含激活碼),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2019-10-10

最新評論

精品国内自产拍在线观看