apprentissage opencv-python (douze): correspondance de modèle

12. Correspondance des modèles

Correspondance de modèles : en termes simples, il s'agit de trouver une image avec une image et de trouver sa position dans l'image à travers une partie de l'image

Exécuter la correspondance des modèles à l'aide de trois méthodes de correspondance

• cv.TM_SQDIFF_NORMED : utilisez la différence carrée entre les deux pour faire correspondre, la meilleure valeur de correspondance est 0 ;
• cv.TM_CCORR_NORMED : Utilisez le produit des deux pour faire correspondre, plus la valeur est grande, meilleur est le degré de correspondance,
• cv.TM_CCOEFF_NORMED : correspondance avec le coefficient de corrélation des deux, 1 signifie une correspondance parfaite, -1 signifie la pire correspondance

code afficher comme ci-dessous:

# 引入包
import cv2 as cv
import numpy as np

def template_image():
    # 读取模板图片
    tpl = cv.imread('./static/image/cut1.jpg')
    # 读取目标图片
    target = cv.imread('./static/image/windows.jpg')
    cv.imshow("model", tpl)
    cv.imshow("image", target)
    methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED]
    # 获得模板图片的高宽尺寸
    th, tw = tpl.shape[:2]
    for md in methods:
        print(md)

        # 执行模板匹配，采用的匹配方式有三种
        result = cv.matchTemplate(target, tpl, md)

        # 寻找矩阵（一维数组当做向量，用Mat定义）中的最大值和最小值的匹配结果及其位置
        min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)

        # 对于cv2.TM_SQDIFF及cv2.TM_SQDIFF_NORMED方法min_val越趋近与0匹配度越好，匹配位置取min_loc
        # min_loc：矩形定点
        if md == cv.TM_SQDIFF_NORMED:
            tl = min_loc

        # 对于其他方法max_val越趋近于1匹配度越好，匹配位置取max_loc
        else:
            tl = max_loc

        # 矩形的宽高
        br = (tl[0]+tw, tl[1]+th)

        # 绘制矩形边框，将匹配区域标注出来
        # tl：矩形定点
        # br：矩形的宽高
        # (0,0,225)：矩形的边框颜色；2：矩形边框宽度
        cv.rectangle(target, tl, br, (0, 0, 255), 2)

        # np.str(md)
        # 匹配值转换为字符串
        # 显示结果,并将匹配值显示在标题栏上
        cv.imshow("pipei"+np.str(md), target)

template_image()
cv.waitKey(0)
cv.destroyAllWindows()

résultat de l'opération :