《深度学习》OpenCV 模版匹配多个对象、图片旋转 综合应用
目录
一、模板匹配
1、什么是模版匹配
2、原理
3、应用领域
4、案例实现
1）模版图片和输入图片信息
2）代码实现
运行结果：
二、图像旋转
1、使用numpy方法
运行结果： （图片来源网络，如有侵权敬请联系删除。）
2、使用OpenCV方法
运行结果： （图片来源网络，如有侵权敬请联系删除。）
三、综合应用
1、识别输入图片中所有模版图
运行结果：
2、匹配步骤
一、模板匹配
1、什么是模版匹配
模板匹配是OpenCV中的一种图像处理技术，用于在一幅图像中查找与给定模板或样本图像最相似的区域。
2、原理
通过在输入图像中滑动模板图像，并计算模板与输入图像相应区域的相似度，找出最匹配的位置。相似度可以使用不同的度量方式来计算，最常用的是平方差匹配和相关性匹配。
在模板匹配中，模板图像是由用户提供的一个小图像，用于指示需要在输入图像中查找的目标物体或特征。输入图像可以是任意大小的图像，而模板图像通常要比输入图像小。
3、应用领域
模板匹配计算机视觉和图像处理中有广泛的应用，例如目标检测、图像识别、物体跟踪等。它是一种简单但有效的图像处理方法，可以用于自动化的图像分析和图像理解任务。
4、案例实现
1）模版图片和输入图片信息
2）代码实现
import cv2
import numpy as npimg_rgb = cv2.imread('image.jpg')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_RGB2GRAY) # 将输入图片转换为灰度图
template = cv2.imread('tem.jpg',0) # 导入模版图片的灰度图
h,w = template.shape[:2] # shape返回图片的高、宽、通道# 使用模板匹配方法 cv2.matchTemplate 进行匹配
res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED) # cv2.TM_CCOEFF_NORMED表示使用归一化的方法来匹配,返回每个点匹配的相似度，DF类型# 设定匹配阈值,表示匹配的相似度范围
threshold = 0.9
# 获取匹配结果中所有符合阈值的点的坐标
loc = np.where(res >= threshold) # 返回索引，这里返回的是y值和x值坐标信息，条件为大于设定阈值的值的索引for pt in zip(*loc[::-1]): # loc数据倒序排列，变成x，y顺序状态，zip(*)表示将可迭代对象中对应的元素打包成一个元组，这里表示返回每个点的坐标# 在原图上绘制匹配区域的矩形框,pt表示矩形左上角坐标，(pt[0]+w,pt[1]+h)表示右下角坐标cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)cv2.imshow('res_show',img_rgb)
cv2.waitKey(0)运行结果：
此时相似的图像匹配完成，但是仍然还有一些相同图像不同方向的没有匹配上，需要对模型进行剩下的处理。
二、图像旋转
1、使用numpy方法
import cv2
import numpy as npimg = cv2.imread('girl3.jpg')"""使用numpy旋转"""
# 旋转90度，k=-1表示顺时针90
rotated_image1 = np.rot90(img,-1) # k值表示逆时针旋转几个90度，如果为负值则反向旋转几个90度
# k=1表示逆时针旋转
rotated_image2 = np.rot90(img,1)cv2.imshow('yuamtu',img)
cv2.waitKey()
cv2.imshow('rotated_image1',rotated_image1)
cv2.imshow('rotated_image2',rotated_image2)
cv2.waitKey(0)运行结果： （图片来源网络，如有侵权敬请联系删除。）
2、使用OpenCV方法
img = cv2.imread('girl3.jpg')
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
cv2.imshow('shun90',rotated_image)
cv2.imshow('ni90',rotated_image1)
cv2.imshow('180',rotated_image2)
cv2.waitKey(0)运行结果： （图片来源网络，如有侵权敬请联系删除。）
三、综合应用
1、识别输入图片中所有模版图
import cv2
import numpy as npimg = cv2.imread('image.jpg') # 读取原图
tem = cv2.imread('tem.jpg',0) # 读取模型图，灰度图img_gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY) # 原图转换为灰度图for i in [0,1,2,3]: # 遍历四个值，表示逆时针旋转几个90度template = np.rot90(tem,i) # 旋转i个90度，得到一个新的模版图像h,w = template.shape[:2] # 返回模版图像的高宽# 使用模板匹配方法 cv2.matchTemplate 进行匹配res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)# 设定匹配阈值threshold = 0.9# 获取匹配结果中所有符合阈值的点的坐标loc = np.where(res >= threshold)# 遍历所有的点for pt in zip(*loc[::-1]):# 在原图上绘制匹配区域的矩形框cv2.rectangle(img,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)cv2.imshow('res_show',img)
cv2.waitKey(0)运行结果：
2、匹配步骤
-
首先，通过
cv2.imread函数读取原图和模板图像，并将模板图像转换成灰度图像（cv2.cvtColor函数）。 -
然后，使用循环遍历四个不同的旋转角度（0度、90度、180度、270度）。对于每个角度，通过
np.rot90函数对模板图像进行旋转得到新的模板图像，同时获取模板图像的高度和宽度。 -
使用模板匹配函数
cv2.matchTemplate来计算原图和旋转后的模板图像之间的相似度。这里采用的匹配方法是cv2.TM_CCOEFF_NORMED。 -
设定匹配阈值，只有相似度大于等于阈值的部分才认为是匹配的。
-
使用
np.where函数获取所有符合阈值的点的坐标。 -
遍历所有的匹配点，对于每个点，使用
cv2.rectangle函数在原图上绘制一个矩形框，将匹配区域标记出来。 -
最后，通过
cv2.imshow和cv2.waitKey函数展示结果图像，并等待按键关闭窗口。