opencv笔记（二十二）——模板匹配 template matching

模板匹配就是在给定一幅图像和一幅模板（一般模板比图像的尺寸小很多）的情况下，找到这个图像中最最相似于模板的位置，比如

../../../../../_images/Template_Matching_Template_Theory_Summary.jpg

第一幅是给定的图片，第二幅是模板，第三幅就是搜索到的匹配的位置。

这个搜索的过程，我没有在源码中求索，但是根据tutorial，应该是采用sliding window的方法，利用滑动的窗口，逐像素进行匹配。这个逐像素的意思，就是锚定某个像素之后，在这个像素的右边和下方，以template的宽度和高度的距离的范围内，进行模板与图像的相似度计算。

../../../../../_images/Template_Matching_Template_Theory_Sliding.jpg

这种方法和行人检测中常用的方法类似。就是sliding window。

 

计算匹配度，即计算相似度的方法一般有以下六种：

  1. method=CV_TM_SQDIFF

    R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2

  2. method=CV_TM_SQDIFF_NORMED

    R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}

  3. method=CV_TM_CCORR

    R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y'))

  4. method=CV_TM_CCORR_NORMED

    R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I(x+x',y+y'))}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}

  5. method=CV_TM_CCOEFF

    R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I(x+x',y+y'))

    where

    \begin{array}{l} T'(x',y')=T(x',y') - 1/(w \cdot h) \cdot \sum _{x'',y''} T(x'',y'') \\ I'(x+x',y+y')=I(x+x',y+y') - 1/(w \cdot h) \cdot \sum _{x'',y''} I(x+x'',y+y'') \end{array}

  6. method=CV_TM_CCOEFF_NORMED

    R(x,y)= \frac{ \sum_{x',y'} (T'(x',y') \cdot I'(x+x',y+y')) }{ \sqrt{\sum_{x',y'}T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2} }

 第一种和第二种，是求得的结果越小越好。其余四种是求得的结果越大越好。注意，一般不使用第三种，因为这种方法在图像某块像素值普遍较大的情况下，就会错误匹配这个位置。看公式便知。

 

另外，我们的结果图像也有一点需要注意的，就是它的宽度是原图像宽度-模板宽度+1，它的高度是原图像高度-模板高度+1。为什么这样呢？想想便知。

当我们得到result之后，找到这个result当中的最大值或者最小值（取决于我们的相似度计算方法），就是找到匹配的位置。

 

OpenCV中对应的函数的介绍：

void matchTemplate(InputArray image, InputArray templ, OutputArray result, int method)

method从0到5，分别对应上述六种方法。

void minMaxLoc(InputArray src, double* minVal, double* maxVal=0, Point* minLoc=0, Point* maxLoc=0, InputArraymask=noArray())

用来找最大值或者最小值及其位置的方法。

对应的使用范例：

 1   /// Source image to display
 2   Mat img_display;
 3   img.copyTo( img_display );
 4 
 5   /// Create the result matrix
 6   int result_cols =  img.cols - templ.cols + 1;
 7   int result_rows = img.rows - templ.rows + 1;
 8 
 9   result.create( result_cols, result_rows, CV_32FC1 );
10 
11   /// Do the Matching and Normalize
12   matchTemplate( img, templ, result, match_method );
13   normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );
14 
15   /// Localizing the best match with minMaxLoc
16   double minVal; double maxVal; Point minLoc; Point maxLoc;
17   Point matchLoc;
18 
19   minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
20 
21   /// For SQDIFF and SQDIFF_NORMED, the best matches are lower values. For all the other methods, the higher the better
22   if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
23     { matchLoc = minLoc; }
24   else
25     { matchLoc = maxLoc; }
26 
27   /// Show me what you got
28   rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
29   rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
30 
31   imshow( image_window, img_display );
32   imshow( result_window, result );

 

posted @ 2015-01-03 10:27  nipan  阅读(4066)  评论(1)  编辑  收藏  举报