【【OpenCV实现图像：用OpenCV进行模板匹配】

news2024/11/18 11:32:34

文章目录

    • 概要
    • 整体架构流程
    • 图像灰度化
    • 结论

概要

模板匹配是一种在图像处理领域广泛应用的技术，旨在寻找目标模板在源图像中的位置。该算法的核心思想是通过比较模板与源图像的局部区域，逐像素滑动，创建一个相似度图，反映了模板与源图像各位置的相似程度。
使用OpenCV库实现模板匹配，该过程类似于在卷积神经网络中使用卷积核的方式。

模板匹配的基本原理：
模板匹配的基本原理是在源图像上通过逐像素滑动的方式，将模板与源图像的每个部分进行比较。这相当于在图像上进行卷积操作，其中每个像素值表示了模板与源图像相应区域的相似性。这个过程生成了一个相似度图，通过分析该图，可以识别出峰值，这些峰值对应于源图像中与模板相匹配的位置。

OpenCV中的模板匹配实现：
在OpenCV中，模板匹配通过cv2.matchTemplate()函数实现。该函数采用源图像和模板图像作为输入，返回一个相似度图。通过分析相似度图，可以使用cv2.minMaxLoc()函数找到最大匹配值的位置，从而确定模板在源图像中的位置。

相似性度量的选择：
模板匹配的实现可能基于不同的相似性度量方法，例如平方差匹配、相关性匹配或归一化互相关匹配。选择适当的相似性度量方法取决于具体的应用场景和需求。

整体架构流程

首先导入原图像并且显示出来：

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Show the original image with a smaller window
plt.figure(figsize=(10, 10))
plt.imshow(original_image)
plt.title('Original Image', fontsize=16, weight='bold')
plt.axis('off')
plt.show()

在这里插入图片描述

图像灰度化

虽然模板匹配适用于彩色图像，但让我们简化并将图像转换为灰度图来减少计算量。
这个可以调节窗口大小：
改（5，5）即可

plt.figure(figsize=(5,5))

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(5,5))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

在这里插入图片描述
加载模板
现在，让我们从灰度图中截取一个心动的表情作为我们的目标模板，代码如下

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()
template = gray_image[:80, -80:]
plt.figure(figsize=(5,5))
plt.imshow(template, cmap='gray')
plt.title('Template Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show();
print("Original image shape:", original_image.shape)
print("Gray image shape:", gray_image.shape)
print("Template shape:", template.shape)

取表情包的代码：template = gray_image[:80, -80:]
是指一个区域，这是最右上角的表情

在这里插入图片描述
这个是最左下角，可以自行适当调整。

template = gray_image[-80:, :80]

在这里插入图片描述

模板匹配

通过使用 skimage库中的match_template函数 , 我们可以得到衡量模板图和原图的相似度的热力图，如下：

result = match_template(gray_image, template)
plt.figure(figsize=(10,10))
imshow(result, cmap='viridis')
plt.show();

在这里插入图片描述
全部代码：

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Define the template
template = gray_image[:80, -80:]

# Show the template
plt.figure(figsize=(5,5))
plt.imshow(template, cmap='gray')
plt.title('Template Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Perform template matching
result = match_template(gray_image, template)

# Display the result
plt.figure(figsize=(10,10))
imshow(result, cmap='viridis')
plt.show()

# Find the location of the template
x, y = np.unravel_index(np.argmax(result), result.shape)

# Display the original image with the rectangle around the matched region
imshow(gray_image)
template_width, template_height = template.shape
rect = plt.Rectangle((y, x), template_height, template_width, color='y',
                     fc='none')
plt.gca().add_patch(rect)
plt.show()

在这里插入图片描述

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Define the template
template = gray_image[:80, -80:]

# Show the template
plt.figure(figsize=(5,5))
plt.imshow(template, cmap='gray')
plt.title('Template Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Perform template matching
result = match_template(gray_image, template)

# Display the result
plt.figure(figsize=(10,10))
imshow(result, cmap='viridis')
plt.show()

# Set a threshold for peak detection
# Set a lower threshold for peak detection
threshold = 0.9

# Find the location of the template with peak_local_max
imshow(gray_image)
template_width, template_height = template.shape
for x, y in peak_local_max(result, threshold_abs=threshold):
    rect = plt.Rectangle((y, x), template_height, template_width, color='red',
                         fc='none')
    plt.gca().add_patch(rect)

plt.show()

可以设置阈值

threshold = 0.5

在这里插入图片描述

threshold = 0.9

在这里插入图片描述
至于最右上角的为什么识别不出来，是因为上面模板匹配找设置的时候，右边的笑脸框进去了，但是最右上角的没有左半边笑脸，就自动被排除在外了。

原图显示;

# Import libraries
import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import match_template
from skimage.feature import peak_local_max

# Load the original image
original_image = imread('121.jpg')

# Convert the image to grayscale
gray_image = rgb2gray(original_image[:,:,:3])
plt.figure(figsize=(10,10))
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

# Define the template
template = gray_image[:80, -80:]

# Perform template matching
result = match_template(gray_image, template)

# Set a lower threshold for peak detection
threshold = 0.75

# Find the location of the template with peak_local_max
imshow(gray_image)
template_width, template_height = template.shape
for x, y in peak_local_max(result, threshold_abs=threshold):
    rect = plt.Rectangle((y, x), template_height, template_width, color='red',
                         fc='none')
    plt.gca().add_patch(rect)

# Overlay the result on the original image
plt.figure(figsize=(20, 20))
plt.imshow(original_image)
plt.title('We found our heart eyes emojis!', fontsize=20, weight='bold', color='red')
for x, y in peak_local_max(result, threshold_abs=threshold):
    rect = plt.Rectangle((y, x), template_height, template_width, color='red',
                         fc='none')
    plt.gca().add_patch(rect)

plt.show()

在这里插入图片描述

结论

通过使用OpenCV进行模板匹配，我们可以有效地在图像中定位目标模板的位置。该方法广泛应用于目标检测、物体识别和图像分析等领域。在实际应用中，根据具体需求选择合适的相似性度量方法和调整算法参数，可以获得更精确的匹配结果。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1210983.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【React】Redux基本使用

【React】Redux基本使用

什么情况使用 Redux ？ Redux 适用于多交互、多数据源的场景。简单理解就是复杂 从组件角度去考虑的话，当我们有以下的应用场景时，我们可以尝试采用 Redux 来实现 某个组件的状态需要共享时 一个组件需要改变其他组件的状态时 一个组件需要…
阅读更多...
sqli-labs(Less-2)

sqli-labs(Less-2)

1.进入环境就是这样的界面 2. id1 and 11 页面返回正常 3. id1 and 12 页面显示不正常 由此可确实是数字型注入 4. 使用 order by 语句进行字段查询 说明页面存在三个字段 5. 使用联合查询 union select 6. 查询当前数据库的所有表 7. 查询某表的所有字段名 8. 查用户…
阅读更多...
Linux信号量以及基于环形队列的生产者消费者模型

Linux信号量以及基于环形队列的生产者消费者模型

文章目录 信号量信号量的接口初始化销毁等待信号量发布信号量 环形队列结合信号量设计模型 实现基于环形队列的生产者消费者模型Task.hppRingQueue.hppmain.cc效果对于多生产多消费的情况 信号量 信号量的本质是一个计数器 首先一份公共资源在实际情况中可能存在不同的线程可…
阅读更多...
关于修改了mysql的my_conf文件之后，不能生效问题

关于修改了mysql的my_conf文件之后，不能生效问题

个人名片： 🐅作者简介：一名大三在校生，热爱生活，爱好敲码！ \ 💅个人主页 🥇：holy-wangle ➡系列内容： 🖼️ tkinter前端窗口界面创建与优化 &…
阅读更多...
相关关系与因果关系

相关关系与因果关系

本文来自：https://towardsdatascience.com/a-step-by-step-guide-in-detecting-causal-relationships-using-bayesian-structure-learning-in-python-c20c6b31cee5 作者：Erdogan Taskesen 在机器学任务中，确定变量间的因果关系（c…
阅读更多...
CentOS修改root用户密码

CentOS修改root用户密码

一、适用场景 1、太久没有登录CentOS系统，忘记管理密码。 2、曾经备份的虚拟化OVA或OVF模板，使用模板部署新系统后，忘记root密码。 3、被恶意攻击修改root密码后的紧急修复。 二、实验环境 1、VMware虚拟化的ESXI6.7下，通过曾经…
阅读更多...
基于PyTorch搭建你的生成对抗性网络

基于PyTorch搭建你的生成对抗性网络

前言 你听说过GANs吗？还是你才刚刚开始学？GANs是2014年由蒙特利尔大学的学生 Ian Goodfellow 博士首次提出的。GANs最常见的例子是生成图像。有一个网站包含了不存在的人的面孔，便是一个常见的GANs应用示例。也是我们将要在本文中进行分享的…
阅读更多...
11.3SpringMVC

11.3SpringMVC

一.概念 1.SpringMvc: a.构建在Servlet(api)基础上. b.是一个Web框架(HTTP). c.来自于Spring webMVC模块. 2.MVC 二.注册路由的注解 1.RequestMapping("/test") // 路由注册 注意: 这个注解在类和方法上都要使用,代表不同等级的路由. 2.RestController a)R…
阅读更多...
FPGA_边沿检测电路设计

FPGA_边沿检测电路设计

FPGA_边沿检测电路设计 边沿检测原理图波形图分析实现方法方法一：与逻辑实现方法二：或逻辑实现方法三：与逻辑实现 边沿检测原理图 由状态转移表可以看出，其转换条件中需要检测到下降沿以及上升沿，而边沿检测其原理就是…
阅读更多...
「题解」相交链表

「题解」相交链表

🍉题目 题目链接 🍉解析 “提示”部分有提示链表数不为零，所以讨论链表为空的情况。 最简单粗暴的思路就是：遍历链表，先使用循环遍历A链表，然后嵌套循环遍历B，比对A、B是否存在地址相同的…
阅读更多...
Windows10配置深度学习环境

Windows10配置深度学习环境

一、Anaconda安装与虚拟环境创建 Anaconda的出现极大的方便了研究人员的Python开发工作，anaconda可以创建多个虚拟环境，这些虚拟环境就像一间间教室一样，虚拟环境彼此之间、虚拟环境与基础环境（base）之间互不影响&…
阅读更多...
C++之Max

C++之Max

背景 想学习数据结构，这是看的课程的习题，讲课老师用的是类C语言，具体的实现还是得自己来。 准备工作 用开发工具Microsoft Visual Studio(VS)建立一个空白的C控制台项目 选择项目的存储路径 成功建立 我在 Microsoft Visual Studio中用…
阅读更多...
VSCode配置msvc编译调试环境

VSCode配置msvc编译调试环境

1.VS Code简介 VS Code 使用 Electron 框架构建用户界面,该框架使用 Chromium 和 Node.js 构建桌面应用程序。这使得 VS Code 能够在 Windows、Linux 和 macOS 上运行,并且可以使用 Web 技术 (HTML、CSS 和 JavaScript) 构建用户界面。 VS Code 使用 Monaco 引擎来提供文本编辑…
阅读更多...
OpenCV入门——图像视频的加载与展示一些API

OpenCV入门——图像视频的加载与展示一些API

文章目录 OpenCV创建显示窗口OpenCV加载显示图片OpenCV保存文件利用OpenCV从摄像头采集视频从多媒体文件中读取视频帧将视频数据录制成多媒体文件OpenCV控制鼠标关于[np.uint8](https://stackoverflow.com/questions/68387192/what-is-np-uint8) OpenCV中的TrackBar控件TrackBa…
阅读更多...
antd中的form表单数据不更新

antd中的form表单数据不更新

antd中的form表单 initialValue导致数据不更新问题 理解 ： initialValue就是所谓的defaultValue,只会在第一次赋值的时候改变，却又有一些不同，因为 initialValue又会因其他改动而改变。 解决： form.resetFields();
阅读更多...
内网Jenkins 部署.net（dotnet）项目

内网Jenkins 部署.net（dotnet）项目

一、前置条件 内网部署Jenkins，并安装好所需插件 此篇内容需承接内网搭建Jenkins自动化远程部署项目到Windows服务器_jenkins内网安装-CSDN博客 ，才更好操作与理解 二、在Jenkins中创建项目 三、配置项目 General Source Code Management Build Envi…
阅读更多...
2023最新版本 从零基础入门C++与QT（学习笔记） -4- C/C++混合编程

2023最新版本 从零基础入门C++与QT（学习笔记） -4- C/C++混合编程

🎏在C兼容C只需要调用C头文件 🎄格式 🎈 -1- extern(关键字) “C”{ }(花括号) 🎈 -2- 花括号里面填写要包含的头文件 🎄代码段格式 extern "C" {#include “stdio.h”#include “string.h” }&#x…
阅读更多...
2023深圳高交会，11月15-19日在深圳会展中心盛大开幕，展出五天时间

2023深圳高交会，11月15-19日在深圳会展中心盛大开幕，展出五天时间

跨越山海，共赴鹏城。 11月15日至19日，第二十五届中国国际高新技术成果交易会在深圳会展中心（福田展区）和深圳国际会展中心（宝安展区）两馆同时举行。一场不可错过的全球性高科技盛会如期而至。 科技赋能发…
阅读更多...
2023年数据泄露事件频发，企业应该如何做好数据安全保护？

2023年数据泄露事件频发，企业应该如何做好数据安全保护？

在当今数字化时代，每时每刻都会产生大量的数据，这些数据包含大量的敏感信息，网络犯罪者可以利用这些数据获取巨大的利益，由此他们会通过技术攻击、网络钓鱼等各种非法手段来获取，而这也导致数据泄露事件频频发生。 以下…
阅读更多...
冰点还原精灵Deep Freeze for mac版

冰点还原精灵Deep Freeze for mac版

Deep Freeze是一种系统恢复软件，它可以保护计算机系统免受恶意软件和不必要的更改。它的基本功能是在计算机重启后恢复到原始状态，即使用户进行了任何更改也不例外。 Deep Freeze主要用于公共场所的计算机，如图书馆、学校实验室和互联网咖啡馆…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023