位置: IT常识 - 正文
【OpenCV--模板匹配】(opencv模板匹配原理)
编辑：rootadmin目录
一、模板匹配
1.定义：
2.实现：
二、霍夫线检测
1.原理：
2.实现：
三、霍夫圆检测
1.描述：
2.用法：
一、模板匹配1.定义：推荐整理分享【OpenCV--模板匹配】(opencv模板匹配原理)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:opencv模板匹配原理,opencv 模板匹配得到坐标和角度,opencv 模板匹配得到坐标和角度,opencv 模板匹配得到坐标和角度,opencvsharp模板匹配,opencv 模板,opencv模板匹配算法改进,opencv模板匹配原理,内容如对您有帮助，希望把文章链接给更多的朋友！
模板匹配就是在给定的图片中，查找和模板最相似的区域，算法的输入包括模板和图片，通过不断移动模板图片，计算其与图片对应区域匹配度，将匹配度最高区域选择为最终结果
2.实现：result=cv.matchTemplate( img,template,method)
参数：
1>template :模板 2>method: 实现模板匹配的算法，主要有: 1.平方差匹配(CV_TM_SQDIFF):利用模板与图像之间的平方差进行匹配，最好的匹配是0,匹配越差，匹配的值越大。 2.相关匹配(CV_TM_CCORR):利用模板与图像间的乘法进行匹配，数值越大表示匹配程度较高，越小表示匹配效果差。 3.利用相关系数匹配(CV_TM_CCOEFF):利用模板与图像间的相关系数匹配，1表示完美的匹配，-1表示最差的匹配。
注意：完成匹配后，使用cv.minMaxLoc()方法查找最大值所在的位置即可,如果使用平方差作为比较方法，则最小值位置是最佳匹配位置。
import numpy as npimport matplotlib.pyplot as pltimport cv2 as cvimg=cv.imread('snow.jpg')#plt.imshow(img[:,:,::-1])#plt.show()template=cv.imread('snow1.jpg')h,w=template.shape[:2]result=cv.matchTemplate(img,template,cv.TM_CCORR)min_val,max_val,min_loc,max_loc=cv.minMaxLoc(result)top_left=max_locbottom_right=(top_left[0]+w,top_left[1]+h)cv.rectangle(img,top_left,bottom_right,(0,255,0),2)#设置颜色与宽度plt.imshow(img[:,:,::-1])plt.show()二、霍夫线检测1.原理：
霍夫变换常用来提取图像中的直线和圆等几何图形，霍夫空间中的一条线对应笛卡尔坐标系中一个点：
笛卡尔坐标系中两个点，对应霍夫空间一条直线
在霍夫空间内，经过一个点的直线越多，说明其在笛卡尔空间内映射的直线是由越多的点所构成，在笛卡尔空间中，可能存在斜率为无穷的直线，此时就需要采用极坐标
2.实现：cv.HoughLines(img,rho,theta,threshold)
参数：
img:检测的图像，要求是二值化的图像，所以在调用霍夫变换之前首先要迸行二值化，或者迸行Canny边缘检测 rho、theta: 两个角度的精确度 threshold:阈值，只有累加器中的值高于该阈值时才被认为是直线
import numpy as npimport matplotlib.pyplot as pltimport cv2 as cvimg=cv.imread("straight.jpg")edges=cv.Canny(img,50,200)#plt.imshow(edges,cmap=plt.cm.gray)#plt.show()lines=cv.HoughLines(edges,0.8,np.pi/180,100)for line in lines: rho,theta=line[0] a=np.cos(theta) b=np.sin(theta) x0=rho*a y0=rho*b x1=int(x0+1000*(-b)) y1=int(y0+1000*a) x2=int(x0-1000*(-b)) y2=int(y0-1000*a) cv.line(img,(x1,y1),(x2,y2),(0,0,255))plt.imshow(img[:,:,::-1])plt.show() 三、霍夫圆检测1.描述：OpenCV采用霍夫梯度法将霍夫圆检测范围两个阶段，第一阶段检测圆心，第二阶段利用圆心推导出圆圆心检测的原理:圆心是圆周法线的交汇处,设置-一个阈值，在某点的相交的直线的条数大于这个阈值就认为该交汇点为圆心。 圆半径确定原理:圆心到圆周上的距离(半径)是相同的,确定- 个阈值，只要相同距离的数量大 于该阈值，就认为该距离是该圆心的半径。
2.用法：circles=cv.HoughCircles(image,method,dp,minDist,param1=100,param2=100,minRadius=0,maxRadius=0)
参数：
1>method: 使用霍夫变换圆检测的算法，它的参数是CV_ HOUGH_ GRADIENT 2>dp:霍夫空间的分辨率，dp=1时表示霍夫空间与输入图像空间的大小一致， dp=2时霍夫空间是输入图像空间的一半，以此类推 3>minDist为圆心之间的最小距离，如果检测到的两个圆心之间距离小于该值，则认为它们是同一个圆心 4>param1: 边缘检测时使用Canny算子的高阈值，低阈值是高阈值的一半 5>param2: 检测圆心和确定半径时所共有的阈值 6>minRadius和maxRadius为所检测到的圆半径的最小值和最大值
import numpy as npimport matplotlib.pyplot as pltimport cv2 as cvimg=cv.imread("straight.jpg")img1=cv.cvtColor(img,cv.COLOR_BGR2GRAY)img2=cv.medianBlur(img1,7)#plt.imshow(img2,cmap=plt.cm.gray)#plt.show()circles=cv.HoughCircles(img2,cv.HOUGH_GRADIENT,1,200,param1=100,param2=50,minRadius=0,maxRadius=100)circle1=circles[0, :, :]circle1=np.uint16(np.around(circle1))for c in circle1[:]: cv.circle(img,(c[0],c[1],c[2],(0,0,255),2)) cv.circle(img,(c[0],c[1],c[2],(0,0,255),-1))plt.imshow(img[:,:,::-1])plt.show()上一篇：【Web前端】CSS-盒子模型(web前端 css)
下一篇：计算机视觉-OpenCV入门讲解(计算机视觉opencv 有什么项目)
