OpenCV-Python如何實現(xiàn)多模板匹配

小編給大家分享一下OpenCV-Python如何實現(xiàn)多模板匹配，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

多模板匹配

在上一篇的實戰(zhàn)中，我們通過人物眼睛的子圖，找出了其在圖像中出現(xiàn)位置。但是，有些情況下，并不僅僅只有一次，比如我們講解傅里葉變換時，曾介紹一張草原的獅子圖。如果匹配某個草，可能單個圖像內(nèi)會有很多，這個時候就要找出多個匹配結(jié)果。

而函數(shù)cv2.minMaxLoc()僅僅能找出最值，無法給出所有匹配區(qū)域的位置信息。所以，要想匹配多個結(jié)果，就需要進行如下4個步驟：

獲取匹配位置的集合

首先，Numpy庫中的函數(shù)where()能夠獲取模板匹配位置的集合。對于不同的輸入，其返回值是不同的。

• 當(dāng)輸入是一維數(shù)組時，返回值是一維索引，只是一組索引數(shù)組。

• 當(dāng)輸入是二維數(shù)組時，返回的是匹配值的位置索引，因此會有兩組索引數(shù)組表示返回值的位置。

比如，我們的灰度圖像一般都是二維數(shù)組。下面，我們來查找一個二維數(shù)組中，值大于8的元素索引：

import numpy as np

img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
print(result)

運行之后，控制臺會輸出如下內(nèi)容：

如果你對Numpy不是很了解的化。下面博主在將數(shù)據(jù)轉(zhuǎn)換以下，基本上都能看懂了。轉(zhuǎn)換之后，格式如下：

第一行為大于5的值的X坐標，第二行為大于5的值的Y坐標。那么上面大于5的數(shù)組索引為：[0,2]，[0,3]，[0,4]，[1,0]，[1,1]，[1,2]，[1,3]，[2,0]，[2,1]，[2,2]，[2,3]。你可以回溯對比看看是不是一致的。

通過np.where()函數(shù)可以找出在cv2.matchTemplate()函數(shù)的返回值中，哪些位置上的值是大于閾值threshold的。具體操作代碼如下：

loc=np.where(res>threshold)

循環(huán)

因為我們找到的原圖對應(yīng)的模板圖像不止一個，要處理多個值，肯定會用到循環(huán)。因此，在獲取匹配值的索引后，可以采用如下語句遍歷所有匹配的位置，對這些位置做標記：

for i in 匹配位置集合:
	標記匹配位置

在循環(huán)中使用zip()

函數(shù)zip()用可迭代的對象作為參數(shù)，將對象中對應(yīng)的元素打包成一個個元組，然后返回由這些元組組成的列表。

例如，我們獲取的索引為x,y,z。下面我們使用zip()將它們打包成元組。代碼如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
for i in zip(*result):
    print(i)

這里我們還是使用上面的值，輸出結(jié)果如下：

這里自動將我們剛才滿足條件的索引打包成了元素格式。是不是比剛才的控制臺輸出結(jié)果更加的直觀呢？

替換坐標

我們上面得到的結(jié)果是符合條件的索引：（行號，列號），但我們需要繪制匹配位置的矩形，需要的是（列號，行號）。

所以，在使用cv2.rectangle()繪制矩形前，要先將函數(shù)numpy.where()得到的位置索引行列互換，行列互換可以通過如下代碼實現(xiàn)：

import numpy as np

img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
for i in zip(*result[::-1]):
    print(i)

運行之后，輸出結(jié)果如下：

實戰(zhàn)多模板匹配

既然我們已經(jīng)了解了標記繪制多個模板位置的4個步驟。下面，我們直接將上面的代碼整理以下，即可完成多模板的匹配。具體代碼如下所示：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread("34.jpg", 0)
template = cv2.imread("4_1.jpg", 0)
w, h = template.shape[::-1]
res = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.9
loc = np.where(res >= 0.9)
for i in zip(*loc[::-1]):
    cv2.rectangle(img, i, (i[0] + w, i[1] + h), 255, 1)
plt.imshow(img, cmap="gray")
plt.axis("off")
plt.show()

這里的代碼與上面4個步驟一摸一樣，具體就不做過多的講解了。運行之后，多個模板也就匹配完成。

附錄：

模板圖

原圖

實例：基于opencv的多目標模板匹配

利用opencv進行多目標模板匹配，只要是利用其matchTemplate函數(shù)，但在多目標（這里是討論目標圖片中不同大小模板的匹配），以下貼出代碼和圖片，供大家參考：

#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>
#include <iostream>
#include <math.h>

using namespace std;
using namespace cv;

Point getNextMinLoc(Mat &result, Point minLoc, int maxValue, int templatW, int templatH);

int main(void)
{
 Mat src = imread("1_2.png");
 Mat srcCopy = src.clone();
 
 Mat temp = imread("1_4.png");
 Mat result;

 if (src.empty() || temp.empty())
 {
  cout << "打開圖片失敗" << endl;
  return 0;
 }

 vector<Mat> templat;
 vector<float> minV;
 vector<Point> minL;

 int srcW, srcH, templatW, templatH, resultH, resultW;
 srcW = src.cols;
 srcH = src.rows;
 templat.push_back(temp);
 double minValue, maxValue;
 Point minLoc, maxLoc;

 for (int i=0;i<10;i++)
 {
  cout << i << ": ";
  templatW = templat[i].cols;
  templatH = templat[i].rows;

  if (srcW < templatW || srcH < templatH)
  {
   cout << "模板不能比原圖大" << endl;
   return 0;
  }

  resultW = srcW - templatW + 1;
  resultH = srcH - templatH + 1;

  result.create(Size(resultW, resultH), CV_32FC1);
  matchTemplate(src, templat[i], result, CV_TM_SQDIFF_NORMED);

  minMaxLoc(result, &minValue, &maxValue, &minLoc, &maxLoc);

  cout << "min1: " << minValue << endl;
  if (minValue<=0.070055)
  {
   rectangle(srcCopy, minLoc, Point(minLoc.x + templatW, minLoc.y + templatH), Scalar(0, 0, 255), 2, 8, 0);

   Point new_minLoc;
   new_minLoc = getNextMinLoc(result, minLoc, maxValue, templatW, templatH);
   
   float *data = result.ptr<float>(new_minLoc.y);

   cout << "min2: " << data[new_minLoc.x] << " ";
   if (data[new_minLoc.x]<=0.5)
   {
    cout << "進這個函數(shù)了:" << i << "：" << new_minLoc.x;
    cout << " " << new_minLoc.y;
    rectangle(srcCopy, new_minLoc, Point(new_minLoc.x + templatW, new_minLoc.y + templatH),
     Scalar(0, 255, 0), 2, 8, 0);
    new_minLoc = getNextMinLoc(result, new_minLoc, maxValue, templatW, templatH);
   }

   float *data1 = result.ptr<float>(new_minLoc.y);
   cout << "min3: " << data1[new_minLoc.x] << " " << endl;
   if (data1[new_minLoc.x] <= 0.4)
   {
    
    rectangle(srcCopy, new_minLoc, Point(new_minLoc.x + templatW, new_minLoc.y + templatH),
     Scalar(255, 0, 0), 2, 8, 0);
   }
  }
  cout << "#" << endl;
  Mat temp_templat;
  resize(templat[i], temp_templat, Size(templat[i].cols / 1.1, templat[i].rows / 1.1));
  templat.push_back(temp_templat);
 }

 imshow("結(jié)果", srcCopy);
 waitKey(0);
 return 0;
}

Point getNextMinLoc(Mat &result, Point minLoc, int maxValue, int templatW, int templatH)
{
 //imshow("result", result);
 //cout << "maxvalue: " << maxValue << endl;
 int startX = minLoc.x - templatW / 3;
 int startY = minLoc.y - templatH / 3;
 int endX = minLoc.x + templatW / 3;
 int endY = minLoc.y + templatH / 3;
 if (startX < 0 || startY < 0)
 {
  startX = 0;
  startY = 0;
 }
 if (endX > result.cols - 1 || endY > result.rows - 1)
 {
  endX = result.cols - 1;
  endY = result.rows - 1;
 }
 int y, x;
 for (y = startY; y < endY; y++)
 {
  for (x = startX; x < endX; x++)
  {
   float *data = result.ptr<float>(y);
   
   data[x] = maxValue;
  }
 }
 double new_minValue, new_maxValue;
 Point new_minLoc, new_maxLoc;
 minMaxLoc(result, &new_minValue, &new_maxValue, &new_minLoc, &new_maxLoc);
 //imshow("result_end", result);
 return new_minLoc;
}

以下是結(jié)果圖：

以上是“OpenCV-Python如何實現(xiàn)多模板匹配”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！