学习笔记之opencv模板和特征点

最新推荐文章于 2025-08-27 19:18:32 发布
原创 最新推荐文章于 2025-08-27 19:18:32 发布 · 538 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了模板匹配技术，一种用于图像分析的技术，通过滑动模板图像并计算匹配度来定位相似区域。同时探讨了特征点的概念及其在不同拍摄条件下的尺度不变性，并列举了几种常用特征点提取方法如SIFT、SURF和ORB。此外，还讨论了特征点匹配的提纯方法RANSAC及其应用场景。

模板匹配
定义：在一幅图像中寻找与另一幅模板图像最匹配（相似）部分的分析技术。
本质：通过滑动（图像块一次移动一个像素），在每一个位置，都进行一次度量计算来表明它是“好”或“坏”地与那个位置匹配（或者说块图像和原图像的特定区域有多么相似）。

特征点
定义：能够表明物体本身特征的点。
尺度不变性：即使你处理在不同的拍摄条件下拍摄同一物体，都能够得到同样的特征值。
常用的特征点寻找方法：（敲黑板）
SIFT（即尺度不变特征变换）、SURF、ORB
注：opencv中，使用SIFT和SURF要联编contrib库

特征点提纯
由于采用特征匹配可能会得到很多匹配的结果。对于自然图像来说，效果一般比较好。但是，另外一些情况，匹配的结果很多，也有很多错误。
使用办法：RANSAC（随机抽样一致性）
案例：王先荣
交叉检验？
imagewatch?

根据情况选择合适的方法
1：特征点有没有失效的时候？怎么办？
由于在图像采集的时候设置不当，或者就是由于物体本身特征不明的情况下，找不到足够的特征点？怎么办？
解决办法一：采用前后的变换矩阵进行拟合，也就是估计出可能的情况。但是这里是8参数估计，所以只是在一些特殊的情况下效果较好（比如有机械臂控制的平面移动）。
解决办法二：可以采用模板识别辅助获得变换的具体情况。
解决办法三：想办法提高特征点的数目。

OpenCV基础教程——OpenCV中的图像处理（模版匹配）
白话机器学习
11-05 147
它只是在输入图像上滑动模板图像（如在2D卷积中），并比较模板图像下的输入图像的模板和补丁。如果输入图像的大小（WxH）且模板图像的大小（wxh），则输出图像的大小为（W-w + 1，H-h + 1）。将其作为矩形的左上角，并将（w，h）作为矩形的宽度和高度。在上一节中，我们搜索了Messi脸部的图像，该图像仅在图像中出现一次。在这种情况下，我们将使用阈值。所以在这个例子中，我们将使用着名游戏Mario的截图，我们将在其中找到硬币。在这里，作为一个例子，我们将在他的照片中搜索梅西的脸。
OpenCV学习笔记(十一)——模板匹配
热门推荐
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
12-09 1万+
模板匹配是指在当前图像A内寻找与图像B最相似的部分，一般将图像A称为输入图像，将图像B称为模板图像。模板匹配的操作方法是将模板图像B在图像A上滑动，遍历所有像素以完成匹配。
openCV特征检测与提取（三）-- 自定义角点检测器
DIAJEY的博客
08-23 442
之前的角点检测器主要都是通过固定方法的API来实现的，而我们也可以用不同角点检测方法的原理和需求去制作角点检测的函数 相关函数的介绍 1.cornerEigenValsAndVecs（）函数 该函数用来求解输入图像矩阵的特征向量和特征值 主要用来模拟Harris角点检测 2.cornMinEigenVal（）函数 与第一个函数相似，但是它只计算相关矩阵的最小特征值，主要用来模拟Shi-Tomasi角点检测 3.minMaxLoc（）函数 寻找输入矩阵中的最小值和最大值，并可以获得对应点的位置 代码： .
opencv-基本特征值检测
否命题的博客
11-08 742
特征值检测 梯度计算 梯度可以反应图像的像素差异：对于图像边缘部分，梯度值会比较大；对于图像的平坦区域，梯度值比较小、OpenCv 提供了两个非常有用的计算函数Sobel与Scharr Sobel梯度算子分为X方向与Y方向，可以分别计算X与Y方向的梯度成像 Sobel(Mat src,Mat dst,int ddpeth,int x,int y) ddpeth:表示输入图像的深度，常见为CV_32SC或者CV_32F x：x方向的梯度1为是，0为否‘ y：y方向的梯度同上 Mat gradx =
openCv特征值模板
北京的开始
04-25 829
//行向量，没个vector特征向量 #include #include #include #include using namespace std; typedef vector> martix; template void GetEigenMat( vector> &k , vector> &eigenVec, vector &eigenVal) { CvM
【opencv学习】【模板匹配】
qq_29367075的博客
02-14 1393
今天学习模板匹配 模板图片 目标图像 import cv2 import matplotlib.pyplot as plt # 模板匹配的原理： # 一个模板图像在目标图像上机芯从左到右从上到下进行滑动，每滑动一个位置就计算匹配度（均方差或者是相关系数等） # 遍历完目标图像后，求出最匹配的未知区域来。 # 展示图像，封装成函数 def cv_show_image(name, img): cv2.imshow(name, img) cv2.waitKey(0) # 等待时间，单位
opencv学习笔记30-opencv模板匹配实现物体（ROI）追踪
The_xz的博客
09-04 1289
opencv学习笔记30-opencv模板匹配实现物体（ROI）追踪
opencv学习笔记
最新发布
weixin_37079656的博客
08-27 864
对于原图像中的每个像素点 (x, y)，通过某种变换函数找到它在目标图像中对应的新位置 (x’, y’)。滤波的本质：通过一个小的滤波器（或称为核、模板）在图像上滑动，对每个像素邻域进行数学运算，得到新的像素值。基本原理：Laplacian是二阶微分算子，直接计算图像的拉普拉斯变换，对噪声更敏感但能检测更细的边缘。基本原理：Scharr算子是Sobel算子的改进版本，具有更高的旋转对称性和更好的边缘检测精度。原理：检查每个像素点，如果它在梯度方向上的幅值不是局部最大值，则将其抑制（设为0）。
《opencv学习笔记》-- SURF 特征点检测
ccr的博客
08-31 1438
SURF 特征点检测
OpenCV复习笔记
2201_75446108的博客
06-19 771
本文摘要：OpenCV图像处理核心知识总结，涵盖图像读取、基础操作、颜色空间转换、几何变换、阈值处理等关键内容。重点包括：1)静态/动态图像读取方法；2)鼠标交互绘制和颜色通道操作；3)5种阈值处理方法对比；4)轮廓检测全流程（预处理→检测→分析→绘制）；5)作业常见场景应用（如作业1的矩形绘制、作业2的多变换组合、作业3的轮廓分析）。复习建议以三次作业代码为实践基础，重点掌握imread、cvtColor、threshold、findContours等高频API的参数和应用场景。（149字）
opencv编基于TMF的变化检测算法
11-09
opencv编写的TMF（三重马尔科夫随机场）变化检测算法，实现速度快，精度高，也可用于图像分割。程序有详细注释，一看即懂
13 -- OpenCV学习—模板匹配
衍生星球的博客
04-13 4244
模板匹配和
08- OpenCV进行图像的特征检测 (OpenCV系列) (机器视觉)
March_A的博客
01-08 2064
推荐Shi-Tomasi角点检测Harris角点检测计算的稳定性和K有关, 不稳定, shi-tomasi是优化版)。三种特征检测算法对比:SIFT 最慢, 准确率最高SURF 速度比SIFT快些, 准确率差些ORB速度最快, 可以实时检测, 准确率最差.两种特征匹配方式:BFMatcherFLANN(处理大数据集时效果较好)暴力特征匹配单应性矩阵的应用, 查找对应图形:(图像查找)直接读取为灰度图Harris角点检测shi-tomasi角点检测坐标画点cv2.circle。
(二)OpenCV特征提取与检测_04_自定义角点检测器
weixin_45553439的博客
02-18 365
基于Harris与Shi-Tomasi角点检测 首先通过计算矩阵M得到λ1,λ2两个特征值根据他们得到角点响应值 然后自己设置阈值实现计算出阈值得到有效响应值的角点位置 自定义角点检测器① cornerEigenValsAndVecs(gray_src,dst, blockSize, ksize, BORDER_DEFAULT); 自定义角点检测器② cornerMinEigenVal(gray...
OpenCV—python 模板匹配与图像特征匹配
红叶谷 wsp_1138886114的博客
06-09 1万+
文章目录一、理论介绍二、代码 一、理论介绍 模板匹配是在一幅图像中寻找一个特定目标的方法之一，这种方法的原理非常简单，遍历图像中的每一个可能的位置，比较各处与模板是否“相似”，当相似度足够高时，就认为找到了我们的目标 用T表示模板图像，I表示待匹配图像，切模板图像的宽为w高为h，用R表示匹配结果，匹配过程(图示如上)： 通过 滑动, 我们的意思是图像块一次移动一个像素 (从左往右,从上往下)....
计算机视觉技术剖析：轮廓检测、模板匹配及特征点匹配
qq_74732076的博客
07-24 1133
本文系统介绍了计算机视觉中的三大基础技术：轮廓检测、模板匹配和特征点匹配。轮廓检测通过边缘跟踪和凸包分析实现物体形状提取，广泛应用于工业检测和医学图像分析；模板匹配基于灰度相似度进行区域匹配，适用于字符识别等场景；特征点匹配利用SIFT、ORB等算法实现高精度图像配准，支持三维重建等复杂任务。文章对比了三者的技术特点，指出深度学习与传统技术融合、多模态数据协同处理是未来发展趋势，同时强调数据质量、算法可解释性和实时性优化等关键挑战。这些基础技术的深入理解和合理运用，对提升计算机视觉系统性能具有重要意义。
模板匹配，特征点匹配-全
jacke121的专栏
07-09 7714
https://blog.youkuaiyun.com/zhuisui_woxin/article/details/84400439 模板匹配与特征匹配 模板匹配：模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标...
快速学会使用OpenCV进行图片模板匹配
AI_dataloads的博客
10-15 1861
是OpenCV库中的一个函数，用于进行模板匹配。它可以在一个给定的图像（源图像）中搜索与一个指定模板图像最相似的区域。具体来说，这个函数会将模板图像滑动遍历源图像的每一个像素点，比较模板图像与源图像每一个小区域的相似度，返回一个灰度图像，每一个像素值表示源图像中对应位置与模板的匹配程度。这个函数在图像处理和计算机视觉任务中，如目标检测、图像识别等，有着广泛的应用。image：这是待搜索的图像，也被称为源图像。templ：这是搜索模板，需要和源图像具有相同的数据类型，尺寸不能大于源图像。
OpenCV学习笔记 （模板匹配）
03-31
### OpenCV模板匹配学习教程与示例代码 #### 基本概念 OpenCV 的模板匹配是一种用于在目标图像中查找指定子图像位置的技术。它通过比较模板图像和目标图像之间的相似度来定位最佳匹配区域[^1]。 以下是基于 C++ 和 Python 的两种实现方式： --- #### 示例代码 (C++) 以下是一个简单的 C++ 实现，展示如何使用 OpenCV 进行模板匹配以识别彩色图片中的黑桃♠符号： ```cpp #include <opencv2/opencv.hpp> #include <iostream> int main() { // 加载原始图像和模板图像 cv::Mat img = cv::imread("source_image.jpg"); cv::Mat templ = cv::imread("spade_template.jpg"); if (img.empty() || templ.empty()) { std::cout << "无法加载图像!" << std::endl; return -1; } // 创建结果矩阵 cv::Mat result; int result_cols = img.cols - templ.cols + 1; int result_rows = img.rows - templ.rows + 1; result.create(result_rows, result_cols, CV_32FC1); // 执行模板匹配 matchTemplate(img, templ, result, cv::TM_CCOEFF_NORMED); double minVal, maxVal; cv::Point minLoc, maxLoc; cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc, cv::Mat()); // 绘制矩形框标记匹配区域 cv::rectangle(img, maxLoc, cv::Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), cv::Scalar(0, 255, 0), 2); // 显示结果 cv::imshow("Source Image", img); cv::imshow("Result", result); cv::waitKey(0); return 0; } ``` 此代码展示了如何读取两张图像并执行 `matchTemplate` 函数来进行模板匹配操作。 --- #### 示例代码 (Python) 对于更广泛的开发者群体来说，Python 是一种更为友好的编程语言。下面是等效的 Python 版本代码： ```python import cv2 import numpy as np # 加载原始图像和模板图像 img = cv2.imread('source_image.jpg') templ = cv2.imread('spade_template.jpg') if img is None or templ is None: print("无法加载图像!") else: # 获取模板尺寸 th, tw = templ.shape[:2] # 执行模板匹配 result = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED) # 寻找最大值的位置 _, max_val, _, max_loc = cv2.minMaxLoc(result) # 在原图上绘制矩形框 top_left = max_loc bottom_right = (top_left[0] + tw, top_left[1] + th) cv2.rectangle(img, top_left, bottom_right, (0, 255, 0), 2) # 展示结果 cv2.imshow('Detected', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码同样实现了模板匹配功能，并利用绿色矩形标注出了找到的目标区域。 --- #### 关键参数说明 - **cv::TM_CCOEFF_NORMED**: 表示标准化的相关系数法，是最常用的匹配方法之一。 - **result**: 存储了每个可能位置上的匹配得分。 - **cv::minMaxLoc**: 查找匹配分数的最大值及其对应坐标，从而确定最有可能的匹配位置[^2]。 --- #### 推荐学习资源 为了深入掌握 OpenCV 中的模板匹配技术，可以参考以下资源： 1. 官方文档：https://docs.opencv.org/ 2. 教程网站：https://pyimagesearch.com/ 3. 开源项目实例：GitHub 上有许多开源项目提供了丰富的实践案例。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值