Opencv实验合集——实验六：模板匹配

news2024/9/29 17:29:37

1.概念

模板匹配旨在在图像中找到与给定模板最相似的部分。其核心思想是通过滑动模板，计算每个位置与模板的相似性，然后找到最匹配的位置。这一过程常涉及选择匹配度量方法，如平方差匹配、归一化平方差匹配、相关性匹配等。模板匹配在目标检测、物体识别等领域有广泛应用，尽管对于光照、尺度、旋转等变化敏感，但仍然是图像处理中常用的技术之一。

2.有关的函数方法

cv.matchTemplate(img, template, method)：这一行代码执行模板匹配操作。它采用三个参数：

img：表示待搜索的原始图像。

template：表示要在原始图像中搜索的模板图像。

method：表示匹配方法，即模板匹配算法的选择。这可以是以下之一：

cv.TM_SQDIFF：平方差匹配法
cv.TM_SQDIFF_NORMED：归一化平方差匹配法
cv.TM_CCORR：相关性匹配法
cv.TM_CCORR_NORMED：归一化相关性匹配法
cv.TM_CCOEFF：系数匹配法
cv.TM_CCOEFF_NORMED：归一化系数匹配法

cv.matchTemplate 返回一个二维数组（图像），表示匹配程度，该数组的大小是原始图像减去模板图像的大小加一。

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)：这一行代码用于找到匹配结果中的最小值、最大值以及它们的位置。具体来说：

min_val：是匹配结果中的最小值。
max_val：是匹配结果中的最大值。
min_loc：是最小值的位置（x，y坐标）。
max_loc：是最大值的位置（x，y坐标）。

3.匹配算法有关的原理：

1.TM_CCOEFF (系数匹配法):

原理：计算模板与图像的协方差。
概念：协方差表示两个变量之间的关联程度，正值表示正相关，负值表示负相关。
适用：适用于模板和图像中存在明显对比度差异的情况。

协方差具体计算公式：

$cov(X,Y) = \frac{\sum_{n}^{i-1}(X(_{i})-\bar{X})^{T}(Y(_{i})-\bar{Y})}{n-1}$

在实际操作中，可以使用矩阵运算来高效地计算协方差矩阵。如果 X 和 Y 分别是 m×n 和 m×p 的矩阵，这将产生一个 n×p 的协方差矩阵，

2.TM_CCOEFF_NORMED (归一化系数匹配法):

原理：计算模板与图像的归一化协方差。
概念：通过标准化协方差，将匹配结果归一化到范围 [-1, 1]。
适用：适用于处理不同尺度和对比度的图像。

$corr(X,Y) = \frac{cov(X,Y)}{\sqrt{var(X)*var(Y)}}$

$var(X) =\frac{1}{n-1} \sum_{n}^{i=1}(X-\bar{X})^{2}$

3.TM_CCORR (相关性匹配法):

原理：计算模板与图像的相关性。
概念：相关性表示两个信号之间的相似性程度，值越大表示匹配越好。
适用：适用于处理模板和图像灰度变化较小的情况。

R(x,y)= $\sum_{M}^{i=1}\sum_{N}^{j=1}$ [I(x+i,y+j)⋅T(i,j)]

I(x+i,y+j) 是图像在位置 (x+i,y+j) 的像素值；
T(i,j) 是模板在位置 (i,j) 的像素值；
M 和 N 分别是模板的高度和宽度

在上述公式中，通过将模板与图像的对应像素值相乘，然后将所有乘积相加，得到一个相关性值。这个值越大，表示在图像的该位置与模板更相似