Correspondance de modèle et application
1) Correspondance de modèle
La correspondance de modèle est une technique permettant de trouver la partie d'une image qui correspond le mieux (de la même manière) à une autre image de modèle. La correspondance des modèles n'est pas basée sur des histogrammes, mais sur
C'est une méthode pour faire correspondre le modèle et l'image d'entrée en faisant glisser le bloc d'image (modèle) sur l'image d'entrée et en comparant la similarité en même temps.
application:
① Recherche et positionnement de cible
② Suivi d'objets en mouvement
③ Autre...
Correspondance de modèle—cv2.matchTemplate()
⚫ image : l'image à rechercher (grande image)
⚫ templ : le modèle de recherche, qui doit être du même type de données que l'image d'origine et dont la taille ne peut pas être supérieure à l'image source
⚫ result : l'image mappée du le résultat de la comparaison, qui doit être une image de type virgule flottante 32 bits à canal unique, si la taille de l'image d'origine (image à rechercher) est L x H,
Si la taille du modèle est wxh, la taille du résultat doit être (W-w+1)x(H-h+1)
⚫ method : La méthode de correspondance spécifiée, il existe les 6 types suivants :
cv2.TM_SQDIFF ----- -Méthode d'appariement par différence carrée (meilleure correspondance 0) cv2.TM_SQDIFF_NORMED ------ Méthode d'appariement par différence carrée normalisée (meilleure correspondance 0) cv2.TM_CCORR ------ Méthode d'appariement par corrélation (pire correspondance 0) cv2.TM_CCORR_NORMED - ----- méthode d'appariement par corrélation normalisée (pire correspondance 0) cv2.TM_CCOEFF ------ méthode d'appariement par coefficient (meilleure correspondance 1) cv2.TM_CCOEFF_NORMED ------ méthode d'appariement par coefficient de corrélation normalisée (meilleure correspondance 1)
res = cv2 .matchTemplate (img,temp,CV2 .TM CCORR NORMED)
min_val, max_val, min_loc, max_loc = cv2 .minMaxLoc (res)
En général, au fur et à mesure que l'on passe de mesures simples (différences au carré) à des mesures plus complexes (coefficients de corrélation), on obtient des appariements de plus en plus précis (ce qui signifie aussi des calculs de plus en plus gros).
La meilleure chose à faire est d'expérimenter avec tous ces paramètres pour choisir la meilleure combinaison de vitesse et de précision pour votre application.
Normalisation matricielle—cv2.normalize()
⚫src : saisissez l'image d'origine
⚫dst : affichez l'image résultante, qui doit avoir la même taille et le même type que l'image d'origine
⚫alpha : la valeur minimale après normalisation, la valeur par défaut est 1
⚫beta : la valeur maximale après normalisation , la valeur par défaut est 0
⚫norm_type : type de normalisation, optionnel NORM_INF, NORM_L1, NORM_L2 (par défaut), etc.
⚫dtype : valeur par défaut -1, lorsque ce paramètre est négatif, la matrice de sortie et src ont le même type
⚫mask : opération de masque en option
cv2.normalize(roihist,roihist,0,255,CV2.NORM_MINMAX)
Le rôle de normalize0) est de normaliser la matrice.
Trouvez la valeur maximale—cv2.minMaxLoc()
⚫src : saisissez l'image d'origine, image monocanal
⚫minVal : renvoyez le pointeur de la valeur minimale, si vous n'avez pas besoin de revenir, définissez 0
⚫maxVal : renvoyez le pointeur de la valeur maximale, si vous n'avez pas besoin de revenir, mettez-le à 0
⚫minLoc : Renvoie le pointeur de la position minimale, s'il n'est pas nécessaire de revenir, mettez à 0
⚫maxLoc : Renvoie le pointeur de la position maximale, si il n'est pas nécessaire de revenir, réglez 0
⚫mask : opération de masque facultative
res = cv2 .matchTemplate (img ,temp,CV2 .TM CCORR NORMED)
min val, max val, min loc, max loc = cv2 .minMaxLoc(res)
Le but de la fonction minMaxLoc0) est de trouver les valeurs minimales et maximales globales dans le tableau.
