使用opencv自帶的模板匹配
1、目標(biāo)匹配函數(shù):cv2.matchTemplate()
res=cv2.matchTemplate(image, templ, method, result=None, mask=None)
image:待搜索圖像
templ:模板圖像
result:匹配結(jié)果
method:計算匹配程度的方法,主要有以下幾種:
- CV_TM_SQDIFF 平方差匹配法:該方法采用平方差來進(jìn)行匹配;最好的匹配值為0;匹配越差,匹配值越大。
- CV_TM_CCORR 相關(guān)匹配法:該方法采用乘法操作;數(shù)值越大表明匹配程度越好。
- CV_TM_CCOEFF 相關(guān)系數(shù)匹配法:1表示完美的匹配;-1表示最差的匹配。
- CV_TM_SQDIFF_NORMED 計算歸一化平方差,計算出來的值越接近0,越相關(guān)
- CV_TM_CCORR_NORMED 計算歸一化相關(guān)性,計算出來的值越接近1,越相關(guān)
- CV_TM_CCOEFF_NORMED 計算歸一化相關(guān)系數(shù),計算出來的值越接近1,越相關(guān)
待檢測的圖片如下,需要檢測里面金幣的位置
需要檢測金幣的模板如下:
2、基本的多對象模板匹配效果代碼如下:
import cv2
import numpy as np
img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐標(biāo)
loc = np.where(res >= threshold)
#np.where返回的坐標(biāo)值(x,y)是(h,w),注意h,w的順序
for pt in zip(*loc[::-1]):
bottom_right = (pt[0] + w, pt[1] + h)
cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
cv2.imwrite("001.jpg",img_rgb)
cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)
檢測效果如下:
通過上圖可以看到對同一個圖有多個框標(biāo)定,需要去重,只需要保留一個
解決方案:對于使用同一個待檢區(qū)域使用NMS進(jìn)行去掉重復(fù)的矩形框
3、使用NMS對模板匹配出來的矩形框進(jìn)行去掉臨近重復(fù)的,代碼如下:
import cv2
import time
import numpy as np
def py_nms(dets, thresh):
"""Pure Python NMS baseline."""
#x1、y1、x2、y2、以及score賦值
# (x1、y1)(x2、y2)為box的左上和右下角標(biāo)
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
#每一個候選框的面積
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
#order是按照score降序排序的
order = scores.argsort()[::-1]
# print("order:",order)
keep = []
while order.size > 0:
i = order[0]
keep.append(i)
#計算當(dāng)前概率最大矩形框與其他矩形框的相交框的坐標(biāo),會用到numpy的broadcast機制,得到的是向量
xx1 = np.maximum(x1[i], x1[order[1:]])
yy1 = np.maximum(y1[i], y1[order[1:]])
xx2 = np.minimum(x2[i], x2[order[1:]])
yy2 = np.minimum(y2[i], y2[order[1:]])
#計算相交框的面積,注意矩形框不相交時w或h算出來會是負(fù)數(shù),用0代替
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h
#計算重疊度IOU:重疊面積/(面積1+面積2-重疊面積)
ovr = inter / (areas[i] + areas[order[1:]] - inter)
#找到重疊度不高于閾值的矩形框索引
inds = np.where(ovr = thresh)[0]
# print("inds:",inds)
#將order序列更新,由于前面得到的矩形框索引要比矩形框在原order序列中的索引小1,所以要把這個1加回來
order = order[inds + 1]
return keep
def template(img_gray,template_img,template_threshold):
'''
img_gray:待檢測的灰度圖片格式
template_img:模板小圖,也是灰度化了
template_threshold:模板匹配的置信度
'''
h, w = template_img.shape[:2]
res = cv2.matchTemplate(img_gray, template_img, cv2.TM_CCOEFF_NORMED)
start_time = time.time()
loc = np.where(res >= template_threshold)#大于模板閾值的目標(biāo)坐標(biāo)
score = res[res >= template_threshold]#大于模板閾值的目標(biāo)置信度
#將模板數(shù)據(jù)坐標(biāo)進(jìn)行處理成左上角、右下角的格式
xmin = np.array(loc[1])
ymin = np.array(loc[0])
xmax = xmin+w
ymax = ymin+h
xmin = xmin.reshape(-1,1)#變成n行1列維度
xmax = xmax.reshape(-1,1)#變成n行1列維度
ymax = ymax.reshape(-1,1)#變成n行1列維度
ymin = ymin.reshape(-1,1)#變成n行1列維度
score = score.reshape(-1,1)#變成n行1列維度
data_hlist = []
data_hlist.append(xmin)
data_hlist.append(ymin)
data_hlist.append(xmax)
data_hlist.append(ymax)
data_hlist.append(score)
data_hstack = np.hstack(data_hlist)#將xmin、ymin、xmax、yamx、scores按照列進(jìn)行拼接
thresh = 0.3#NMS里面的IOU交互比閾值
keep_dets = py_nms(data_hstack, thresh)
print("nms time:",time.time() - start_time)#打印數(shù)據(jù)處理到nms運行時間
dets = data_hstack[keep_dets]#最終的nms獲得的矩形框
return dets
if __name__ == "__main__":
img_rgb = cv2.imread('mario.jpg')#需要檢測的圖片
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)#轉(zhuǎn)化成灰色
template_img = cv2.imread('mario_coin.jpg', 0)#模板小圖
template_threshold = 0.8#模板置信度
dets = template(img_gray,template_img,template_threshold)
count = 0
for coord in dets:
cv2.rectangle(img_rgb, (int(coord[0]),int(coord[1])), (int(coord[2]),int(coord[3])), (0, 0, 255), 2)
cv2.imwrite("result.jpg",img_rgb)
檢測效果如下所示:
參考資料:
https://blog.csdn.net/qq_39507748/article/details/104598222
https://docs.opencv.org/3.4/d4/dc6/tutorial_py_template_matching.html
https://blog.csdn.net/mdjxy63/article/details/81037860
https://github.com/rbgirshick/fast-rcnn/blob/master/lib/utils/nms.py
https://www.pyimagesearch.com/2015/02/16/faster-non-maximum-suppression-python/
到此這篇關(guān)于opencv模板匹配相同位置去除重復(fù)的框的文章就介紹到這了,更多相關(guān)opencv模板匹配內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- OpenCV-Python模板匹配人眼的實例
- OpenCV-Python實現(xiàn)多模板匹配
- python基于OpenCV模板匹配識別圖片中的數(shù)字
- Python開發(fā)之基于模板匹配的信用卡數(shù)字識別功能
- OpenCV 模板匹配
- OpenCV半小時掌握基本操作之模板匹配