模板匹配的作用在图像识别领域作用可大了。那什么是模板匹配?
模板匹配,就是在一幅图像中寻找另一幅模板图像最匹配(也就是最相似)的部分的技术。
说的有点抽象,下面给个例子说明就很明白了。
在上面这幅全明星照中,我们想找出姚明头像的位置,并把它标记出来,可以做到吗?
可以,这就是模板匹配的要做的事情。
其实模板匹配实现的思想也是很简单很暴力的,就是拿着模板图片(姚明头像)在原图(全明星照)中从左上至右下依次滑动,直到遇到某个区域的相似度低于我们设定的阈值,那么我们就认为该区域与模板匹配了,也就是我们找到了姚明的位置,并把它标记出来。
OpenCV 中是通过 MtachTemplate 函数完成。
- #include <opencv2/core/core.hpp>
- #include <opencv2/imgproc/imgproc.hpp>
- #include <opencv2/highgui/highgui.hpp>
- #include <iostream>
- #include <stdio.h>
- using namespace std;
- using namespace cv;
- int main()
- {
- Mat img, templ, result;
- img = imread("nba.jpg");
- templ = imread("76.png");
- int result_cols = img.cols - templ.cols + 1;
- int result_rows = img.rows - templ.rows + 1;
- result.create(result_cols, result_rows, CV_32FC1);
- matchTemplate(img, templ, result, CV_TM_SQDIFF_NORMED);//这里我们使用的匹配算法是标准平方差匹配 method=CV_TM_SQDIFF_NORMED,数值越小匹配度越好
- normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());
- double minVal = -1;
- double maxVal;
- Point minLoc;
- Point maxLoc;
- Point matchLoc;
- cout << "匹配度:" << minVal << endl;
- minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc, Mat());
- cout << "匹配度:" << minVal << endl;
- matchLoc = minLoc;
- rectangle(img, matchLoc, Point(matchLoc.x + templ.cols, matchLoc.y + templ.rows), Scalar(0, 255, 0), 2, 8, 0);
- imshow("img", img);
- waitKey(0);
- return 0;
- }
结果看来,大姚的头像位置确实被绿框标记出来了!很准!
我还在程序中特意打印出匹配度的最小值,因为我们知道这个算法是数值越小匹配度越高,由输出的结果看来这个数值还真的很小,说明匹配度真的相当高!
既然我们可以取得匹配度的数值,那我们是不是也可以利用该数值进行阈值对比呢?比如我想把在阈值范围之内的头像都标记出来。可以这么做:
- //阈值判别,小于0.01才认为匹配成功,才将头像框出来
- if (minVal < 0.001)
- {
- rectangle(img, matchLoc, Point(matchLoc.x + templ.cols, matchLoc.y + templ.rows), Scalar(0, 255, 0), 2, 8, 0);
- }
同理,如果是数值越大表明匹配度越大的算法,就使用 maxVal 来对比就可以了。
上面的模板匹配我们使用了标准平方差匹配 CV_TM_SQDIFF_NORMED 算法,看起来效果还不错,那还有其他算法吗?
问得好。OpenCV 通过函数 matchTemplate 实现了模板匹配算法。可用的方法有 6 个:
通常,随着从简单的测量 (平方差) 到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价)。 最好的办法是对所有这些设置多做一些测试实验, 以便为自己的应用选择同时兼顾速度和精度的最佳方案。
你想采用哪种算法,只需要将对应的传进函数 matchTemplate 里就可以了。
下面给出利用 trackbar 显示出多种模板那匹配算法的代码。
- #include <opencv2/core/core.hpp>
- #include <opencv2/imgproc/imgproc.hpp>
- #include <opencv2/highgui/highgui.hpp>
- #include <iostream>
- using namespace cv;
- using namespace std;
- Mat g_srcImage, g_tempalteImage, g_resultImage;
- int g_nMatchMethod;
- int g_nMaxTrackbarNum = 5;
- void on_matching(int, void*)
- {
- Mat srcImage;
- g_srcImage.copyTo(srcImage);
- int resultImage_cols = g_srcImage.cols - g_tempalteImage.cols + 1;
- int resultImage_rows = g_srcImage.rows - g_tempalteImage.rows + 1;
- g_resultImage.create(resultImage_cols, resultImage_rows, CV_32FC1);
- matchTemplate(g_srcImage, g_tempalteImage, g_resultImage, g_nMatchMethod);
- normalize(g_resultImage, g_resultImage, 0, 2, NORM_MINMAX, -1, Mat());
- double minValue, maxValue;
- Point minLocation, maxLocation, matchLocation;
- minMaxLoc(g_resultImage, &minValue, &maxValue, &minLocation, &maxLocation);
- if (g_nMatchMethod == TM_SQDIFF || g_nMatchMethod == CV_TM_SQDIFF_NORMED)
- {
- matchLocation = minLocation;
- }
- else
- {
- matchLocation = maxLocation;
- }
- rectangle(srcImage, matchLocation, Point(matchLocation.x + g_tempalteImage.cols, matchLocation.y + g_tempalteImage.rows), Scalar(0, 0, 255), 2, 8, 0);
- rectangle(g_resultImage, matchLocation, Point(matchLocation.x + g_tempalteImage.cols, matchLocation.y + g_tempalteImage.rows), Scalar(0, 0, 255), 2, 8, 0);
- imshow("原始图", srcImage);
- imshow("效果图", g_resultImage);
- }
- int main()
- {
- g_srcImage = imread("nba.jpg");
- if (!g_srcImage.data)
- {
- cout << "原始图读取失败" << endl;
- return -1;
- }
- g_tempalteImage = imread("76.png");
- if (!g_tempalteImage.data)
- {
- cout << "模板图读取失败" << endl;
- return -1;
- }
- namedWindow("原始图", CV_WINDOW_AUTOSIZE);
- namedWindow("效果图", CV_WINDOW_AUTOSIZE);
- createTrackbar("方法", "原始图", &g_nMatchMethod, g_nMaxTrackbarNum, on_matching);
- on_matching(0, NULL);
- waitKey(0);
- return 0;
- }
当然也会有一些算法匹配失败的.
实验证明,该段程序效果很不错,但注意的是,模板配在原图抠出模板图的形式下准确率才比较高,不然的话可能准确度就不太高了。
那么模板匹配能在哪些项目有应用呢?我说一下我的经验。
最近我在参与实验室的一个项目,做的是发票的分类,分类的方法我首先采用的是模板匹配,也就是从一类发票中抠出一些特征区域,以此作为模板,自己设定阈值,低于阈值就是算是跟该类发票匹配了,就可以 对其进行分类。在我的测试看来,准确率还可以,不过也隐藏这一个比较大的隐患就是,一旦发票种类多了,比如 100 种,那么检测时间就会指数上升,这是不可取的。
来源: http://www.cnblogs.com/skyfsm/p/6884253.html