C++_2019-04-28_机器视觉——Opencv——基于灰度匹配

/*
**模板匹配算法**
经过多年发展已近趋于成熟，
1).基于图像灰度信息的模板匹配算法最先被提出与使用，通过计算模板图像与基准图像滑动的子区域的相关系数进行判决匹配位置。
CV_TM_CCOEFF_NORMED 《归一化相关系数匹配法》的匹配准度比较良好

2).基于梯度图像的模板匹配算法，梯度图抗光照、噪声、亮度等较好。模板匹配进行相关运算时耗时较高，{由于基于基于图像灰度模板匹配的鲁棒性较差：光照、亮度等影响；}
#include "Histogram_Matching.h"
int main(int argc, char* argv)
{
Histogram_Matching T;
T.Histogram_Matching_Template_coder();

system("pause");
return 0;
}

3).局部特征模式下的匹配算法，如SIFT、SURF等代表的算法火热了前二十年。{由于基于梯度图像模板匹配对于景象有旋转变化时失效,而产生该算法}

4).基于深度学习模式下的图像识别已经成为当下最流行的技术。随着12年Alexnet网络分类性能在ImageNet上脱颖而出，经典的手工设计方式告一段落，但是，经典手工设计核函数思想在卷积神经网络设计中启发：Ps 低层次语义特征到高层次的语义特征是否类似于尺度空间的思想，不同大小的卷积核函数代表着不同的感受野等等。由于卷积与相关实际运算中较为接近(可以近似理解卷积运算就是相关运算过程中核函数(模板图像)旋转180°)，可以通过FFT进行加速运算；
*/

// Histograms_Matching.cpp : 定义控制台应用程序的入口点。
//

/**
* @file MatchTemplate_Demo.cpp
* @brief Sample code to use the function MatchTemplate
* @author OpenCV team
* https://blog.youkuaiyun.com/u010440456/article/details/83153787
* https://blog.youkuaiyun.com/abcvincent/article/details/79265549
*/

#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>

using namespace std;
using namespace cv;
/* 基于灰度匹配的程序实现——使用滑条选择 method */
int match_method2 = 1;
int max_Trackbar = 5;
const char* match_method = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";
void MatchingMethod(int, void*);
class Histogram_Matching
{
public:
	Histogram_Matching();
	~Histogram_Matching();
	
	void ImgMatch2();/*基于滑动条进行多种灰度方法匹配*/
	
	void Histogram_Matching_Demo();/* 基于灰度匹配的程序实现 */
	void Histogram_Matching_Template_coder();/* 基于灰度匹配的程序提炼模板 */
private:

};

Histogram_Matching::Histogram_Matching()
{
}

Histogram_Matching::~Histogram_Matching()
{
}

void MatchingMethod(int, void*)
{
	Mat tempImg = imread("./image/Template.jpg");
	Mat srcImg = imread("./image/Search1.jpg");
	
	int width = srcImg.cols - tempImg.cols + 1;
	int height = srcImg.rows - tempImg.rows + 1;
	Mat resultImg(Size(width, height), CV_32FC1);
	//2.模版匹配
	matchTemplate(srcImg, tempImg, resultImg, match_method2);
	//3.正则化(归一化到0-1)
	normalize(resultImg, resultImg, 0, 1, NORM_MINMAX, -1);
	//4.找出resultImg中的最大值及其位置
	double minValue = 0;
	double maxValue = 0;
	Point minPosition;
	Point maxPosition;
	minMaxLoc(resultImg, &minValue, &maxValue, &minPosition, &maxPosition);
	/// 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_method2 == CV_TM_SQDIFF || match_method2 == CV_TM_SQDIFF_NORMED)
	{
		maxPosition = minPosition;
	}
	else
	{
		maxPosition = maxPosition;
	}

	//4.遍历resultImg，给定筛选条件，筛选出前几个匹配位置
	int tempX = 0;
	int tempY = 0;
	char prob[10] = { 0 };
	//4.1遍历resultImg
	for (int i = 0; i<resultImg.rows; i++)
	{
		for (int j = 0; j<resultImg.cols; j++)
		{
			//4.2获得resultImg中(j,x)位置的匹配值matchValue
			double matchValue = resultImg.at<float>(i, j);
			sprintf_s(prob, "%.2f", matchValue);
			//4.3给定筛选条件
			//条件1:概率值大于0.9
			//条件2:任何选中的点在x方向和y方向上都要比上一个点大5
			if (matchValue > 0.9&& abs(i - tempY)>5 && abs(j - tempX)>5)
			{
				//5.给筛选出的点画出边框和文字
				rectangle(srcImg, Point(j, i), Point(j + tempImg.cols, i + tempImg.rows), Scalar(0, 255, 0), 2, 8);
				putText(srcImg, prob, Point(j, i + 100), CV_FONT_BLACK, 1, Scalar(0, 255, 255), 2);
				tempX = j;
				tempY = i;
			}
		}
	}

	//5.根据resultImg中的最大值位置在源图上画出矩形
	//rectangle(srcImg, maxPosition, Point(maxPosition.x + tempImg.cols, maxPosition.y + tempImg.rows), Scalar(0, 255, 0), 1, 8);
	imshow("image_window", srcImg);
	imshow("temp_window", tempImg);
}

/*基于滑动条进行多种灰度方法匹配*/
void Histogram_Matching::ImgMatch2()//24.图像匹配2
{
	/// 创建窗口
	namedWindow("image_window", CV_WINDOW_AUTOSIZE);
	namedWindow("temp_window", CV_WINDOW_AUTOSIZE);
	/// 创建滑动条
	createTrackbar("match_method", "image_window", &match_method2, max_Trackbar, MatchingMethod);
	MatchingMethod(0, 0);
	waitKey(0);
}

/* 基于灰度匹配的程序实现 */
void Histogram_Matching::Histogram_Matching_Demo()//24.图像匹配3
{
	Mat tempImg = imread("./image/template.jpg");
	Mat srcImg = imread("./image/lena1.jpg");	
	//1.构建结果图像resultImg(注意大小和类型)
	//如果原图(待搜索图像)尺寸为W x H, 而模版尺寸为 w x h, 则结果图像尺寸一定是(W-w+1)x(H-h+1)
	//结果图像必须为单通道32位浮点型图像
	int width = srcImg.cols - tempImg.cols + 1;
	int height = srcImg.rows - tempImg.rows + 1;
	Mat resultImg(Size(width, height), CV_32FC1);
	//2.模版匹配
	matchTemplate(srcImg, tempImg, resultImg, CV_TM_CCOEFF_NORMED);
	/*
	//    CV_EXPORTS_W void matchTemplate( InputArray image, InputArray templ,
    //                                     OutputArray result, int method, InputArray mask = noArray() );
    //## image
    //    欲搜索的图像。它应该是单通道、8-比特或32-比特 浮点数图像
    //## templ
    //    搜索模板，不能大于输入图像，且与输入图像具有一样的数据类型
    //## result
    //    比较结果的映射图像。单通道、32-比特浮点数. 如果图像是 W×H 而 templ 是 w×h ，则 result 一定是 (W-w+1）×(H-h+1）.
    //## method:
    //    指定匹配方法：
    //    函数 MatchTemplate 与函数 CalcBackProjectPatch 类似。它滑动过整个图像 image, 用指定方法比较 templ 与图像尺寸
    //    为 w×h 的重叠区域，并且将比较结果存到 result 中。 下面是不同的比较方法，可以使用其中的一种 (I 表示图像，T - 模板, R - 结果.
    //    模板与图像重叠区域 x'=0..w-1, y'=0..h-1 之间求和):
	//    CV_TM_SQDIFF   ： 平方差匹配，最好时候为0；——不具备旋转
    //    CV_TM_SQDIFF_NORMED ：归一化平方差匹配，最好时候为0；——不具备旋转
    //    CV_TM_CCORR      ：相关性匹配法，最差为0；
    //    CV_TM_CCORR_NORMED  ：归一化相关性匹配法，最差为0；
    //    CV_TM_CCOEFF     ：系数匹配法，最好匹配为1；
    //    CV_TM_CCOEFF_NORMED  ：化相关系数匹配法，最好匹配为1；——匹配度较好-可以抵抗轻度旋转
	*/
	imshow("result", resultImg);
	//3.正则化(归一化到0-1)
	normalize(resultImg, resultImg, 0, 1, NORM_MINMAX, -1);
	//4.遍历resultImg，给定筛选条件，筛选出前几个匹配位置
	int tempX = 0;
	int tempY = 0;
	char prob[10] = { 0 };
	//4.1遍历resultImg
	for (int i = 0; i<resultImg.rows; i++)
	{
		for (int j = 0; j<resultImg.cols; j++)
		{
			//4.2获得resultImg中(j,x)位置的匹配值matchValue
			double matchValue = resultImg.at<float>(i, j);
			sprintf_s(prob, "%.2f", matchValue);
			//4.3给定筛选条件
			//条件1:概率值大于0.9
			//条件2:任何选中的点在x方向和y方向上都要比上一个点大5
			if (matchValue > 0.9&& abs(i - tempY)>5 && abs(j - tempX)>5)
			{
				//5.给筛选出的点画出边框和文字
				rectangle(srcImg, Point(j, i), Point(j + tempImg.cols, i + tempImg.rows), Scalar(0, 255, 0), 2, 8);
				putText(srcImg, prob, Point(j, i + 100), CV_FONT_BLACK, 1, Scalar(0, 255, 255), 2);
				tempX = j;
				tempY = i;
			}
		}
	}
	imshow("srcImg", srcImg);
	imshow("template", tempImg);
	waitKey(0);
}

/* 基于灰度匹配的程序提炼模板 */
//method: 
//    CV_TM_SQDIFF   ： 平方差匹配，最好时候为0；——不具备旋转
//    CV_TM_SQDIFF_NORMED ：归一化平方差匹配，最好时候为0；——不具备旋转
//    CV_TM_CCORR      ：相关性匹配法，最差为0；
//    CV_TM_CCORR_NORMED  ：归一化相关性匹配法，最差为0；
//    CV_TM_CCOEFF     ：系数匹配法，最好匹配为1；
//    CV_TM_CCOEFF_NORMED  ：化相关系数匹配法，最好匹配为1；——匹配度较好-可以抵抗轻度旋转
void Histogram_Matching::Histogram_Matching_Template_coder()
{
	//Mat tempImg = imread("./image/a.jpg");
	//Mat srcImg = imread("./image/b.jpg");
	
	//Mat tempImg = imread("./image/eye_template.jpg");
	//Mat srcImg = imread("./image/lena.jpg");

	Mat tempImg = imread("./image/Template.jpg");
	Mat srcImg = imread("./image/Search1.jpg");
			

	int width = srcImg.cols - tempImg.cols + 1;
	int height = srcImg.rows - tempImg.rows + 1;
	Mat resultImg(Size(srcImg.cols, srcImg.rows), CV_32FC1);

	//2.模版匹配
	matchTemplate(srcImg, tempImg, resultImg, CV_TM_CCOEFF_NORMED);	
		
	//3.正则化(归一化到0-1)
	normalize(resultImg, resultImg, 0, 1, NORM_MINMAX, -1);	
	imshow("result", resultImg);
	
	//4.找出resultImg中的最大值及其位置
	double minValue = 0;
	double maxValue = 0;
	Point minPosition;
	Point maxPosition;
	minMaxLoc(resultImg, &minValue, &maxValue, &minPosition, &maxPosition);

	RNG rng(12345);
	//4.1遍历resultImg
	int tempX = 0;
	int tempY = 0;
	char prob[10] = { 0 };
	for (int i = 0; i<resultImg.rows; i++)
	{
		for (int j = 0; j<resultImg.cols; j++)
		{
			//4.2获得resultImg中(i,j)位置的匹配值matchValue
			double matchValue = resultImg.at<float>(i, j);
			sprintf_s(prob, "%.2f", matchValue);
			//4.3给定筛选条件
			//条件1:概率值大于0.9
			//条件2:任何选中的点在x方向和y方向上都要比上一个点大30——放置重复检测同一个目标
			if (matchValue > 0.7 && abs(i - tempX) > 30 && abs(j - tempY) > 30)
			{
				//5.给筛选出的点画出边框和文字
				rectangle(srcImg, Point(j, i), Point(j + tempImg.cols, i + tempImg.rows), Scalar(0,255,255), 2, 8);
				putText(srcImg, prob, Point(j, i + 100), CV_FONT_BLACK, 1, Scalar(0), 2);
				tempX = i;
				tempY = j;
			}
		}
	}

	//5.画
	rectangle(srcImg, maxPosition, Point(maxPosition.x + tempImg.cols, maxPosition.y + tempImg.rows), Scalar(0, 0, 255), 1, 8);
	//imshow("template", tempImg);
	imshow("srcImg", srcImg);
	
	waitKey(0);
}