Python和OpenCV進(jìn)行多尺度模板匹配實現(xiàn)
這篇博文將實現(xiàn)如何將標(biāo)準(zhǔn)模板匹配擴(kuò)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(fā)生錯誤檢測。
如下圖左側(cè)模板小，右側(cè)圖像中大，雖然完全一致，只是大小不一樣，卻未被檢測到。
優(yōu)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：
多尺度模板匹配，gif 詳細(xì)效果圖：
2. 原理
- 使用cv2.matchTemplate進(jìn)行模板匹配，不是很健壯。當(dāng)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(kuò)展可以使其對伸縮性（即大?。┑淖兓咏?。
- 多尺度模板匹配可以處理平移和縮放中的變化，但對旋轉(zhuǎn)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(zhuǎn)，可使用檢測關(guān)鍵點，提取局部不變描述符，并應(yīng)用關(guān)鍵點匹配（keypoint matching）。
- 如果模板相當(dāng)嚴(yán)格且邊緣映射良好，只關(guān)心平移和縮放，那么多尺度模板匹配可以提供非常好的結(jié)果；
- 使用邊緣映射而不是原始圖像進(jìn)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(xiàn)在圖像中。 可以通過設(shè)置相關(guān)系數(shù)的閾值，但實際上是不可靠和穩(wěn)健的。優(yōu)化：更健壯的方法——關(guān)鍵點匹配。
3. 步驟
1）在每次迭代中，圖像都會被調(diào)整大小并計算Canny邊緣圖；
2）應(yīng)用模板匹配，找到相關(guān)系數(shù)最大的圖像的邊界框（x，y）坐標(biāo)；
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(guān)系數(shù)響應(yīng)最大的區(qū)域的（x，y）-坐標(biāo)，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(xì)節(jié)
# python match.py --template cod_logo.png --images images --visualize 1
# 導(dǎo)入必要的包
import argparse # argparse解析命令行參數(shù)
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(jìn)行數(shù)值處理
# 構(gòu)建命令行及解析參數(shù)
# --template 模板路徑
# --images 原始圖像路徑
# --visualize 標(biāo)志是否顯示每一個迭代的可視化結(jié)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(zhuǎn)換灰度圖，檢測邊緣
# 使用邊緣而不是原始圖像進(jìn)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(zhuǎn)換為灰度圖，初始化用于追蹤匹配區(qū)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(jù)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(jìn)行模板匹配
# 使用與模板圖像完全相同的參數(shù)計算圖像的Canny邊緣表示；
# 使用cv2.matchTemplate應(yīng)用模板匹配；
# cv2.minMaxLoc獲取相關(guān)結(jié)果并返回一個4元組，其中分別包含最小相關(guān)值、最大相關(guān)值、最小值的（x，y）坐標(biāo)和最大值的（x，y）坐標(biāo)。我們只對最大值和（x，y）-坐標(biāo)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(qū)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(diào)整大小的比率，計算邊界框（x，y）坐標(biāo)
(_, 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(jié)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(guān)于Python和OpenCV進(jìn)行多尺度模板匹配實現(xiàn)的文章就介紹到這了,更多相關(guān)OpenCV 多尺度模板匹配內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信