opencv + C++进行简单图像模板匹配

本文介绍了一个简单的图像模板匹配实现过程,包括如何选择合适的匹配方法、裁剪模板图像、执行匹配并定位最佳匹配位置等关键步骤。

1.在原图上裁剪一块作为模板图像,如果图像不是裁剪的, 大小有变化的话,会影响匹配结果。

 

  

2.运行代码

/*
	简单图像模板匹配
*/
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
#include <algorithm>
#include <cstdlib>

using namespace std;
using namespace cv;

int match_method = 1;
/*
//	match_method参数设置,模板匹配方法:
//	0,平方差匹配,找最小值,值越接近0,匹配效果越好
//	1,归一化平方差匹配,找最小值,值越接近0,匹配效果越好
//	2,相关性匹配方法,该方法使用源图像与模板图像的卷积结果进行匹配,因此,最佳匹配位置在值最大处,值越小匹配结果越差
//	3,归一化的相关性匹配方法,与相关性匹配方法类似,最佳匹配位置也是在值最大处
//	4,相关性系数匹配方法,该方法使用源图像与其均值的差、模板与其均值的差二者之间的相关性进行匹配,最佳匹配结果在值等于1处,最差匹配结果在值等于-1处,值等于0直接表示二者不相关。
//	5,归一化的相关性系数匹配方法,正值表示匹配的结果较好,负值则表示匹配的效果较差,也是值越大,匹配效果也好。
*/

Mat img_display_0;
Mat img;
Mat templ;
double minVal, maxVal;

void MatchingMethod_0(Mat templ_0, void*)
{
	img.copyTo(img_display_0); //将 img的内容拷贝到 img_display
	
	// 创建输出结果的矩阵
	int result_cols = img.cols - templ_0.cols + 1;     //计算用于储存匹配结果的输出图像矩阵的大小。
	int result_rows = img.rows - templ_0.rows + 1;

	Mat result_0;
	result_0.create(result_cols, result_rows, CV_32FC1);//被创建矩阵的列数,行数,以CV_32FC1形式储存。

	// 进行匹配和标准化
	matchTemplate(img, templ_0, result_0, match_method); //待匹配图像,模版图像,输出结果图像,匹配方法(由滑块数值给定。)
	normalize(result_0, result_0, 0, 1, NORM_MINMAX, -1, Mat());//输入数组,输出数组,range normalize的最小值,range normalize的最大值,归一化类型,当type为负数的时候输出的type和输入的type相同。

	// 通过函数 minMaxLoc 定位最匹配的位置; 
	Point minLoc; Point maxLoc;
	Point matchLoc;

	minMaxLoc(result_0, &minVal, &maxVal, &minLoc, &maxLoc, Mat());//用于检测矩阵中最大值和最小值的位置

	// 对于方法 SQDIFF 和 SQDIFF_NORMED, 越小的数值代表更高的匹配结果. 而对于其他方法, 数值越大匹配越好
	if (match_method == 0 || match_method == 1)
	{
		matchLoc = minLoc;
	}
	else
	{
		matchLoc = maxLoc;
	}

	//框出最终结果
	rectangle(img_display_0, matchLoc, Point(matchLoc.x + templ_0.cols, matchLoc.y + templ_0.rows), Scalar(0, 255, 0), 2, 8, 0); //将得到的结果用矩形框起来
	rectangle(result_0, matchLoc, Point(matchLoc.x + templ_0.cols, matchLoc.y + templ_0.rows), Scalar(0, 255, 0), 2, 8, 0);

	imwrite("C:\\Users\\JSM-SQ\\Desktop\\图框TIF\\result.jpg", img_display_0);
	return;
}

int main(int argc, char** argv)
{

	img = imread("C:\\Users\\JSM-SQ\\Desktop\\图框TIF\\test_tar.jpg");//载入待匹配图像
	templ = imread("C:\\Users\\JSM-SQ\\Desktop\\图框TIF\\test_templ.jpg");

	MatchingMethod_0(templ, 0);
	return 0;
}

3.结果图像     

                        

 

### 实现矩阵归一化 #### Python 中使用 NumPy 库实现矩阵归一化 为了使矩阵元素的取值范围一致,可以采用线性变换的方式。下面是一个基于Python和NumPy库的例子: ```python import numpy as np def normalize_matrix(matrix): min_val = matrix.min() max_val = matrix.max() normalized_matrix = (matrix - min_val) / (max_val - min_val) return normalized_matrix # 创建一个随机矩阵作为例子 example_matrix = np.random.rand(4, 4) print("原始矩阵:") print(example_matrix) normalized_example_matrix = normalize_matrix(example_matrix) print("\n归一化后的矩阵:") print(normalized_example_matrix) ``` 此代码片段定义了一个`normalize_matrix()`函数来执行最小最大标准化[^4]。 #### 使用 OpenCV 进行图像矩阵归一化 对于计算机视觉应用来说,OpenCV提供了便捷的方式来调整像素强度分布。这里展示一段C++风格伪代码用于说明如何利用该库完成任务: ```cpp #include <opencv2/opencv.hpp> int main(){ cv::Mat inputMatrix = cv::Mat::ones(3, 3, CV_32F); // 构建测试用输入矩阵 float alpha = 0; // 缩放后最小值 float beta = 255; // 缩放后最大值 int norm_type = cv::NORM_MINMAX; cv::MatType dtype = CV_8U; cv::Mat outputMatrix; cv::normalize(inputMatrix, outputMatrix, alpha, beta, norm_type, dtype); std::cout << "Input Matrix:\n" << inputMatrix << "\n"; std::cout << "Normalized Output Matrix:\n" << outputMatrix << "\n"; return 0; } ``` 这段程序展示了怎样通过调用`cv::normalize()`来进行归一化操作并指定目标数据类型的转换过程[^2]。 #### MATLAB 下的不同方式实现列向量归一化 MATLAB环境支持多种途径达成同样的目的,在处理大型稀疏矩阵时尤为有用。以下是三种可能的选择之一: ```matlab % 方法三:直接除以范数 A = rand(10); norm_A = A ./ sqrt(sum(A.^2)); disp('Original matrix:'); disp(A); disp('Normalized columns:'); disp(norm_A); ``` 这个脚本实现了每列表项平方求和再开方的结果去除对应位置上的原数值,从而达到单位长度的效果[^3]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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