Opencv学习笔记二：matchTemplate匹配_窈窕书女

http://blog.sina.com.cn/u/2962447273

首页博文目录关于我

个人资料

微博

加好友发纸条

写留言加关注

博客等级：
博客积分：

博客访问：
关注人气：
获赠金笔：0支
赠出金笔：0支
荣誉徽章：

正文字体大小：大中小

Opencv学习笔记二：matchTemplate匹配

(2017-02-22 16:26:05)

标签：

模板匹配

matchtemplate

opencv

分类：上下求索

今天使用到opencv的matchTemplate算子，查找资料，学习了一下。

对官方资料进行翻译注释，加深理解，详情可见：matchTemplate英文资料。

模板匹配

目的

在下文你将会了解到：

使用opencv的matchTemplate函数，在一个图像上搜索和输入图像匹配的位置
使用opencv的minMaxLoc函数，在给定的序列中搜索最大和最小值（匹配的合适位置）

原理

什么是模板匹配？

模板匹配是一个在给定的图像中查找和模板图像相同（或者类似）的区域的技术。

工作原理？

需要两基素：

a、原图像（I）：我们期待在这个图像上找到和模板图像的匹配

b、模板图像（T）：小块的图像，用来比作模板图像

我们的目的是检测高度匹配的区域：

http://s8/mw690/003eu7RDzy78Z3UOUXZ37&690

为了确定匹配区域，我们需要在原图像上移动模板图像：

http://s5/mw690/003eu7RDzy78Z46mfAg74&690

移动，是指在一个方向（左或右、上或下）上移动小块图像。在每一个位置，代表匹配程度“好”或“坏”的矩阵会被计算出来（或者小块图像和原图像的相似度）
对覆盖图像I的图像T的每个位置，我们保存方法在结果矩阵R中。每个位置（x, y）包含匹配结果：

http://s10/mw690/003eu7RDzy78Z4CY7AR49&690

上图表示使用TM_CCORR_NORMED方法滑动小块图像得到结果R。最亮的位置代表匹配度最高。正如缩减，红色圆圈标记的区域是值最大的位置，因此这个位置（左亮点作为左上角，宽和高与小块图像相同的矩形框的位置）认为是最佳匹配。

在实践中，我们使用minMaxLoc函数在矩阵R中定位匹配度最高的值（或者最低的值，根据匹配方法而定）。

在opencv中存在哪些匹配方法？

OpenCv在matchTemplate函数中显示了匹配方法，目前有6种方法：

http://s10/mw690/003eu7RDzy78Z5l8ZYt49&690
代码

这个项目是做什么的？

下载一个输入图像和小块图像（模板图像）

使用前面描述的matchTemplate函数的6种方法中的一种进行模板匹配过程。用户可以通过滑动条选择方法

归一化匹配过程的输出

通过最高匹配概率确定位置

在最高匹配率的位置处画一个矩形框

下载代码：点击代码
代码一览：

#include "opencv2/highgui/highgui.hpp"

#include "opencv2/imgproc/imgproc.hpp"

#include

using namespace std;

using namespace cv;

/// Global Variables

Mat img; Mat templ; Mat result;

char* image_window = "Source Image";

char* result_window = "Result window";

int match_method;

int max_Trackbar = 5;

/// Function Headers

void MatchingMethod( int, void* );

int main( int argc, char** argv )

{

/// Load image and template

img = imread( argv[1], 1 );

templ = imread( argv[2], 1 );

/// Create windows

namedWindow( image_window, CV_WINDOW_AUTOSIZE );

namedWindow( result_window, CV_WINDOW_AUTOSIZE );

/// Create Trackbar

char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";

createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

MatchingMethod( 0, 0 );

waitKey(0);

return 0;

}

void MatchingMethod( int, void* )

{

/// Source image to display

Mat img_display;

img.copyTo( img_display );

/// Create the result matrix

int result_cols = img.cols - templ.cols + 1;

int result_rows = img.rows - templ.rows + 1;

result.create( result_rows, result_cols, CV_32FC1 );

/// Do the Matching and Normalize

matchTemplate( img, templ, result, match_method );

normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

/// Localizing the best match with minMaxLoc

double minVal; double maxVal; Point minLoc; Point maxLoc;

Point matchLoc;

minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );

/// For SQDIFF and SQDIFF_NORMED, the best matches are lower values. For all the other methods, the higher the better

if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )

{ matchLoc = minLoc; }

else

{ matchLoc = maxLoc; }

/// Show me what you got

rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );

rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );

imshow( image_window, img_display );

imshow( result_window, result );

return;

}

解释

1、声明一些全局变量，比如图像、模板、结果矩阵，还有匹配方法和窗口名字


Mat img; Mat templ; Mat result;


char* image_window = "Source Image";


char* result_window = "Result window";


int match_method;

int max_Trackbar = 5;

2、下载原图像和模板图像


img = imread( argv[1], 1 );


templ = imread( argv[2], 1 );

3、创建窗口显示结果


namedWindow( image_window, CV_WINDOW_AUTOSIZE );


namedWindow( result_window, CV_WINDOW_AUTOSIZE );

4、创建滑动条输入用到的匹配方法，修改时调用回到函数MatchingMethod


char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";


createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

5、等待直至退出程序


waitKey(0);


return 0;

6、检测毁掉函数。首先，对原图像进行拷贝


Mat img_display;


img.copyTo( img_display );

7、其次，创建一个存储每个模板位置匹配结果的矩阵。详细观察结果矩阵的大小（匹配合适的位置）


int result_cols =  img.cols - templ.cols + 1;


int result_rows = img.rows - templ.rows + 1;


result.create( result_rows, result_cols, CV_32FC1 );

8、运行匹配运行


matchTemplate( img, templ, result, match_method );

参数包括输入图像I、模板T、结果R和匹配方法（由滑动条给出）

9、归一化结果


normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

10、用minMaxLoc找到结果R的最大和最小值


double minVal; double maxVal; Point minLoc; Point maxLoc;


Point matchLoc;


minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );

函数调用系列参数：

result:源数组

&minVal和&maxVal:在result中保存最大和最小值的变量

&minLoc和&maxLoc:保存最大和最小值的位置点

Mat():可选

11、前两种方法（CV_SQDIFF和CV_SQDIFF_NORMED）的最佳匹配是最小值。其他的，最大值代表最佳匹配。因此，可以在matchLoc中保存相应的值


if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )


  { matchLoc = minLoc; }


else


  { matchLoc = maxLoc; }

12、显示源图像和结果矩阵。在匹配率最高的位置画一个矩形框


rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );


rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );


imshow( image_window, img_display );


imshow( result_window, result );

结果

1、用一副图像测试程序：

http://s3/mw690/003eu7RDzy78Z8oRE4yd2&690

模板图像

http://s7/mw690/003eu7RDzy78Z8Z7IjA46&690

生成如下的结果矩阵（第一行是标准方法SQDIFF,CCORR和CCOEFF，第二行是相同方法，使用归一版本），第列，最黑的是最佳匹配，其他列是位置最亮的位置是最佳匹配

http://s3/mw690/003eu7RDzy78Z8UKSBk32&690

3、下列显示了最佳匹配（右侧人的黑色框标记的脸部）。注意CCORR和CCDEFF给了错误的匹配，但是他们的归一化版给了正确的，可能是我们只是关注了“最高匹配”而不是其他合适的匹配方法。

http://s9/mw690/003eu7RDzy78Z8VO60w78&690

注：CV_TM_SQDIFF平方差匹配 CV_TM_SQDIFF_NORMED CV_TM_CCORR相关匹配 (这三种Method的匹配效果不佳)； CV_TM_CCORR_NORMED CV_TM_CCOEFF CV_TM_CCOEFF_NORMED (这三种Method的匹配效果完美)

阅读┊ 收藏 ┊ 喜欢 ▼ ┊打印┊举报/Report

前一篇：一些小情绪

后一篇：Opencv学习笔记三：Surf特征检测，实现图像匹配

新浪BLOG意见反馈留言板　欢迎批评指正