中国建设网站的证件怎么查询,想做推广哪个平台好,源码商城交易平台,wordpress获取所有标签页简介
计算机视觉第一课opencv#xff08;四#xff09;保姆级教学
之前说过模糊匹配只是对于单个目标进行匹配#xff0c;今天我们就来学习一下如何对多个目标进行匹配
一、多目标匹配 对于这个图片我们要匹配下面那个箭头#xff0c;我们可以发现图中是有两个位置相同的…简介
计算机视觉第一课opencv四保姆级教学
之前说过模糊匹配只是对于单个目标进行匹配今天我们就来学习一下如何对多个目标进行匹配
一、多目标匹配 对于这个图片我们要匹配下面那个箭头我们可以发现图中是有两个位置相同的箭头之前我们说的模糊匹配是寻找匹配值最大的那两个怎么寻找呢
1.基本步骤 1.图像准备 模板图像需要被匹配的目标图像通常是一个较小的图像块。 输入图像在其中进行搜索以找到与模板图像相似的多个区域的图像。 2.图像预处理 转换为灰度图像在进行模板匹配之前通常需要将输入图像和模板图像转换为灰度图像因为灰度图像中的像素值仅表示亮度不受颜色影响更适合进行匹配。 降噪和增强根据需要可以对图像进行降噪处理以提高匹配准确性或进行增强处理以突出目标特征。 3.执行模板匹配 使用模板匹配算法如OpenCV中的cv2.matchTemplate()函数在输入图像中搜索与模板图像相似的区域。 模板匹配算法会生成一个结果图像其中每个像素的值表示该位置与模板图像的匹配程度。 4.定位匹配区域 使用cv2.minMaxLoc()等函数在结果图像中找到匹配度最高的区域或多个区域如果设置了适当的阈值。 根据匹配位置在原图中绘制矩形框或其他标记以指示匹配到的目标。 5.处理多个匹配 如果需要匹配多个目标并且这些目标在图像中可能以不同的尺寸、方向或旋转角度出现则可能需要使用更复杂的算法如尺度不变特征变换SIFT、加速稳健特征SURF或ORB等。 对于简单的多目标匹配可以通过设置较低的匹配阈值来找到多个匹配区域并分别处理它们。 6.优化和验证 根据需要调整模板匹配算法的参数如匹配方法、阈值等以优化匹配结果。 对匹配结果进行验证确保它们确实是所需的目标并排除误匹配。
# 导入必要的库cv2用于图像处理numpy用于数值计算
import cv2
import numpy as np# 读取原始彩色图像默认读取为BGR格式而非RGB
img_rgb cv2.imread(beijing.jpg)
# 将彩色图像转为灰度图模板匹配通常在单通道灰度图上进行减少计算量和干扰
img_gray cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
# 读取模板图像flags0表示以灰度模式读取直接得到单通道图像
template cv2.imread(jiantou.jpg, flags0)# 获取模板的高和宽shape返回(高, 宽, 通道数)[:2]取前两个值高h和宽w
h, w template.shape[:2]# 执行模板匹配在灰度图上滑动模板计算每个位置的匹配度
# 参数说明
# - img_gray待匹配的灰度图像大图像
# - template模板图像小图像
# - cv2.TM_CCOEFF_NORMED匹配方法归一化相关系数匹配
# 返回值res是一个矩阵每个元素表示模板在对应位置的匹配度范围[-1,1]1为完美匹配
res cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)# 设定匹配阈值只有匹配度≥0.9的区域才被认为是有效匹配过滤低匹配度的干扰
threshold 0.9# 获取所有符合阈值的匹配点坐标
# np.where(res threshold)返回满足条件的索引格式为(行坐标数组, 列坐标数组)
# 例如(array([5, 10]), array([3, 7]))表示有两个匹配点坐标为(5,3)和(10,7)
loc np.where(res threshold)# 遍历所有匹配点在原图上绘制矩形框标记
# zip(*loc[::-1])的作用将坐标从(行,列)转为(列,行)OpenCV中坐标是(x,y)即列在前行在后
for pt in zip(*loc[::-1]):# 绘制矩形# - img_rgb要绘制的图像原始彩色图方便直观查看# - pt矩形左上角坐标x,y# - (pt[0]w, pt[1]h)矩形右下角坐标左上角x模板宽左上角y模板高# - color(0,0,255)矩形颜色BGR格式这里是红色# - thickness1矩形线宽cv2.rectangle(img_rgb, pt, (pt[0] w, pt[1] h), color(0, 0, 255), thickness1)# 显示标记后的图像第一个参数是窗口名称空字符串表示默认窗口第二个参数是图像
cv2.imshow(, img_rgb)
# 等待用户按键输入0表示无限等待直到按下任意键关闭窗口
cv2.waitKey(0)
局限性 只能匹配与模板方向、大小完全一致的目标。如果目标在图像中旋转了比如箭头方向变了则无法检测到。那我们就继续探索一下如何去匹配旋转的目标
二、图像旋转 为了解决上述局限性需要先掌握如何旋转图像。这部分提供了两种旋转方法用于后续生成不同角度的模板。
import cv2
import numpy as np# 方法一使用numpy的rot90函数旋转按90度倍数旋转
img cv2.imread(../kele.png) # 读取图像以彩色模式
# np.rot90参数说明
# - 第一个参数要旋转的图像
# - k旋转次数每次90度k1表示逆时针转90度k-1或3表示顺时针转90度
rotated_image1 np.rot90(img, k-1) # 顺时针旋转90度
rotated_image2 np.rot90(img, k1) # 逆时针旋转90度# 显示原图和旋转后的图像
cv2.imshow(yuantu, img) # 原图窗口
cv2.imshow(rotated_image1, rotated_image1) # 顺时针90度窗口
cv2.imshow(rotated_image2, rotated_image2) # 逆时针90度窗口
cv2.waitKey(0) # 等待按键
cv2.destroyAllWindows() # 关闭所有窗口释放资源# 方法二使用OpenCV的rotate函数旋转更直观支持固定角度
rotated_image cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) # 顺时针90度
rotated_image1 cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE) # 逆时针90度
rotated_image2 cv2.rotate(img, cv2.ROTATE_180) # 旋转180度# 显示旋转结果
cv2.imshow(shun90, rotated_image) # 顺时针90度窗口
cv2.imshow(ni90, rotated_image1) # 逆时针90度窗口
cv2.imshow(180, rotated_image2) # 180度窗口
cv2.waitKey(0) # 等待按键
两种方法对比
np.rot90通过旋转次数控制k1/2/3/-1适合 90 度倍数的旋转但不够直观。cv2.rotate直接通过枚举值指定旋转方向如ROTATE_90_CLOCKWISE可读性更强推荐使用。
三、支持旋转角度的模板匹配
结合多目标匹配与旋转的知识我们就可以结合一下实现对旋转角度的模板匹配
import cv2
import numpy as np# 读取原始图像和模板
img_rgb cv2.imread(beijing.jpg) # 原始彩色图像
template cv2.imread(jiantou.jpg, 0) # 模板图像以灰度模式读取
img_gray cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY) # 原始图像转灰度# 方法二cv2.rotate生成不同角度的模板方法一被注释原理相同
template_rot90_clockwise_cv cv2.rotate(template, cv2.ROTATE_90_CLOCKWISE) # 顺时针90度
template_rot90_counterclockwise_cv cv2.rotate(template, cv2.ROTATE_90_COUNTERCLOCKWISE) # 逆时针90度
template_rot180_cv cv2.rotate(template, cv2.ROTATE_180) # 180度# 定义模板列表包含原始模板和所有旋转后的模板需要检测的角度
templates [template, # 原始模板0度template_rot90_clockwise_cv, # 顺时针90度template_rot90_counterclockwise_cv, # 逆时针90度template_rot180_cv # 180度
]# 设定匹配阈值从0.9降低到0.8
# 原因旋转后的模板与目标的匹配度可能略低边缘、细节可能有偏差降低阈值避免漏检
threshold 0.8# 遍历每个模板分别进行匹配
for temp in templates:h, w temp.shape[:2] # 获取当前模板的高和宽不同旋转角度的模板尺寸可能变化# 对当前模板执行匹配res cv2.matchTemplate(img_gray, temp, cv2.TM_CCOEFF_NORMED)# 获取符合阈值的匹配点坐标loc np.where(res threshold)# 遍历匹配点绘制矩形框for pt in zip(*loc[::-1]):cv2.rectangle(img_rgb, pt, (pt[0] w, pt[1] h), (0, 0, 255), 1)# 显示最终匹配结果
cv2.imshow(Result, img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭窗口释放资源
核心逻辑 通过生成模板的多个旋转版本0°、90° 顺时针、90° 逆时针、180°分别与原始图像匹配从而覆盖目标可能的旋转角度。这样即使目标在图像中旋转了也能被检测到。
