?詳細剖析模板匹配

模板匹配介紹

我們需要2幅圖像：

原圖像 (I):在這幅圖像里,我們希望找到一塊和模板匹配的區(qū)域

模板 (T):將和原圖像比照的圖像塊

• 模板匹配就是在整個圖像區(qū)域發(fā)現(xiàn)與給定子圖像匹配的小塊區(qū)域。

• 所以模板匹配首先需要一個模板圖像T（給定的子圖像）

• 另外需要一個待檢測的圖像-源圖像S

• 工作方法，在帶檢測圖像上，從左到右，從上向下計算模板圖像與重疊子圖像的匹配度，匹配程度越大，兩者相同的可能性越大。

模板匹配原理

我們的目標是檢測最匹配模板的原圖像的區(qū)域:

為了確定匹配模板區(qū)域, 我們不得不滑動模板圖像和原圖像進行比較 :

對于 模板（T） 覆蓋在 原圖像 （I） 上的每個位置,你把度量值保存 到 結果圖像矩陣 ( R ) 中. 在 R 中的每個位置 (x,y) 都包含匹配度量值:

上圖（右）就是TM_CCORR_NORMED方法處理后的結果圖像 R . 最白的位置代表最高的匹配. 正如您所見, 黑色框住的位置很可能是結果圖像矩陣中的最大數(shù)值, 所以這個區(qū)域 (以這個點為頂點,長寬和模板圖像一樣大小的矩陣) 被認為是匹配的.

實際上, 我們使用函數(shù)minMaxLoc來定位在矩陣 R 中的最大值點 (或者最小值, 根據(jù)函數(shù)輸入的匹配參數(shù)) .

voidminMaxLoc(InputArray src,double* minVal,double* maxVal=0, Point* minLoc=0, Point* maxLoc=0, InputArray mask=noArray())

• src：輸入圖像。

• minVal：在矩陣 src中存儲的最小值，可輸入NULL表示不需要。

• maxVal ：在矩陣 src中存儲的最大值，可輸入NULL表示不需要。

• minLoc：在結果矩陣中最小值的坐標，可輸入NULL表示不需要，Point類型。

• maxLoc：在結果矩陣中最大值的坐標，可輸入NULL表示不需要，Point類型。

• mask：可選的掩模

模板匹配介紹 – 匹配算法介紹：

OpenCV中提供了六種常見的匹配算法如下：

• 計算平方不同 ：計算出來的值越小，越相關TM_SQDIFF = 0

• 計算相關性：計算出來的值越大，越相關TM_CCORR = 2

• 計算相關系數(shù)：計算出來的值越大，越相關TM_CCOEFF = 4

• 計算歸一化平方不同 ：計算出來的值越接近0，越相關TM_SQDIFF_NORMED = 1

• 計算歸一化相關性：計算出來的值越接近1，越相關TM_CCORR_NORMED = 3

• 計算歸一化相關系數(shù)：計算出來的值越接近1，越相關TM_CCOEFF_NORMED = 5

總結如下：

相關API介紹cv::matchTemplate

matchTemplate(
InputArray image,// 源圖像，必須是8-bit或者32-bit浮點數(shù)圖像
InputArray templ,// 模板圖像，類型與輸入圖像一致
OutputArray result,// 輸出結果，必須是單通道32位浮點數(shù)，假設源圖像WxH,模板圖像wxh, 則結果必須為W-w+1, H-h+1的大小。
intmethod,//使用的匹配方法
InputArray mask=noArray()//(optional)
)

程序代碼

#include
#include
usingnamespacestd;
usingnamespacecv;

// 定義一些全局變量, 例如原圖像(img), 模板圖像(templ) 和結果圖像(result) ,
// 還有匹配方法以及窗口名稱:
Mat img, templ, result;
char* image_window ="Source Image";
char* result_window ="Result window";

intmatch_method = TM_SQDIFF;
intmax_Trackbar =5;

voidMatchingMethod(int,void* );

intmain(intargc,char** argv )
{
// 1. 載入原圖像和模板塊
img = imread("E:/Experiment/OpenCV/Pictures/TargetSearch.jpg");
templ = imread("E:/Experiment/OpenCV/Pictures/Target.jpg");
imshow("模板圖像",templ);

// 創(chuàng)建窗口
namedWindow( image_window, CV_WINDOW_AUTOSIZE );
namedWindow( result_window, CV_WINDOW_AUTOSIZE );

// 2. 創(chuàng)建滑動條并輸入將被使用的匹配方法. 一旦滑動條發(fā)生改變,回調(diào)函數(shù) MatchingMethod 就會被調(diào)用.
char* trackbar_label ="模板匹配方式";
createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

MatchingMethod(0,0);

waitKey(0);
return0;
}

voidMatchingMethod(int,void* )
{
// 將被顯示的原圖像
Mat img_display;
img.copyTo( img_display );

// 創(chuàng)建輸出結果的矩陣
intresult_cols = img.cols - templ.cols +1;
intresult_rows = img.rows - templ.rows +1;
// 創(chuàng)建了一幅用來存放匹配結果的輸出圖像矩陣. 仔細看看輸出矩陣的大小(它包含了所有可能的匹配位置)
result.create( result_cols, result_rows, CV_32FC1 );

// 執(zhí)行模板匹配操作,并對結果進行歸一化:
matchTemplate( img, templ, result, match_method );
normalize( result, result,0,1, NORM_MINMAX,-1, Mat() );

// 通過函數(shù) minMaxLoc 定位最匹配的位置
doubleminVal, maxVal;
Point minLoc, maxLoc;
Point matchLoc;

//通過使用函數(shù) minMaxLoc ,我們確定結果矩陣 R 的最大值和最小值的位置.
minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );//尋找result中最大值，最小值，及它們所在的位置

// 對于方法 SQDIFF 和 SQDIFF_NORMED, 越小的數(shù)值代表更高的匹配結果. 而對于其他方法, 數(shù)值越大匹配越好
if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED ){
 matchLoc = minLoc;
}else{
 matchLoc = maxLoc;
}

// 繪制矩形
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;
}

運行結果