【计算机视觉算法与应用】模板匹配、图像配准

目录

1. 基于灰度值的模板匹配

2. 基于相关性的模板匹配

3. 基于形状的模板匹配

4. 基于组件的模板识别

5. 基于形变的模板匹配

6. 基于描述符的模板匹配

7. 基于点的模板匹配

性能比较


模板匹配的算法实现需要结合具体需求和应用场景来选择方法。以下是基于 OpenCV 的实现示例,用于实现以下模板匹配方法:

1. 基于灰度值的模板匹配

使用 OpenCV 的 cv2.matchTemplate 方法进行模板匹配。

import cv2
import numpy as np# 加载图像和模板
image = cv2.imread('image.jpg', 0)
template = cv2.imread('template.jpg', 0)
w, h = template.shape[::-1]# 匹配方法
result = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)# 结果
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
cv2.rectangle(image, top_left, bottom_right, 255, 2)
cv2.imshow('Matched Result', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 基于相关性的模板匹配

相关性匹配也可以基于 cv2.matchTemplate,但使用不同的匹配模式。

result = cv2.matchTemplate(image, template, cv2.TM_CCORR_NORMED)
# 剩余代码与上面类似

3. 基于形状的模板匹配

使用 Canny 边缘检测和轮廓匹配。

# 提取轮廓
edges_image = cv2.Canny(image, 100, 200)
edges_template = cv2.Canny(template, 100, 200)# 轮廓匹配
contours_image, _ = cv2.findContours(edges_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
contours_template, _ = cv2.findContours(edges_template, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)similarity = cv2.matchShapes(contours_template[0], contours_image[0], cv2.CONTOURS_MATCH_I1, 0.0)
print(f"Shape Similarity: {similarity}")

4. 基于组件的模板识别

使用连通组件(Connected Components)。

# 连通组件
_, labels, stats, centroids = cv2.connectedComponentsWithStats(image, connectivity=8)# 遍历组件
for i in range(1, len(stats)):x, y, w, h, area = stats[i]if area > 50:  # 根据模板特性过滤cv2.rectangle(image, (x, y), (x + w, y + h), 255, 2)cv2.imshow('Components', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

5. 基于形变的模板匹配

形变模板匹配需要形变模型,比如 Thin Plate Splines 或其他变换。

from skimage.transform import warp
from skimage import data# 定义形变模型
def deform(image):# 示例:平移或旋转return warp(image, lambda xy: (xy[0] + 10, xy[1] + 10))transformed_template = deform(template)
result = cv2.matchTemplate(image, transformed_template, cv2.TM_CCOEFF_NORMED)

6. 基于描述符的模板匹配

使用 ORB 特征点和描述符。

# ORB 初始化
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(image, None)
kp2, des2 = orb.detectAndCompute(template, None)# 特征匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)# 画出匹配结果
result = cv2.drawMatches(image, kp1, template, kp2, matches[:10], None, flags=2)
cv2.imshow('Descriptor Matching', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

7. 基于点的模板匹配

使用特征点检测方法,比如 FAST。

fast = cv2.FastFeatureDetector_create()
kp1 = fast.detect(image, None)
kp2 = fast.detect(template, None)# 可视化特征点
image_with_kp = cv2.drawKeypoints(image, kp1, None, color=(255, 0, 0))
template_with_kp = cv2.drawKeypoints(template, kp2, None, color=(255, 0, 0))cv2.imshow('Image Keypoints', image_with_kp)
cv2.imshow('Template Keypoints', template_with_kp)
cv2.waitKey(0)
cv2.destroyAllWindows()

性能比较

可以通过以下指标进行比较:

  1. 匹配时间:统计每种方法的运行时间。
  2. 准确性:计算匹配的正确率(例如 IoU 或精确定位的得分)。
  3. 鲁棒性:在旋转、缩放和噪声下的表现。

如需详细的性能比较,可以写一段代码封装测试和比较逻辑。需要时我可以帮助扩展测试脚本!

个人经验:

1. 工业场景几何关系明确,可以用 基于图像(相关性的就够了),测试显示,对

2. 形变,投影变换,可以考虑用特征点提取(ORB, SIFT)提取描述子, 配合匹配关系描述子配对关系计算获得。 c++ 中设计找最近点等优化算法,ranscac 去除异常点等手段。

3. 工业场景中,多用基于shape model 的查找。更稳定,速度更快(tamplate 小, 几十毫秒)

欢迎订阅本专辑,关注博主,持续更新 ~!code实战内容和经验!代码和理论即学即用!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/480969.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Redis(5):哨兵

一、作用和架构 1. 作用 在介绍哨兵之前,首先从宏观角度回顾一下Redis实现高可用相关的技术。它们包括:持久化、复制、哨兵和集群,其主要作用和解决的问题是: 1)持久化:持久化是最简单的高可用方法(有时甚…

Linux -初识 与基础指令1

博客主页:【夜泉_ly】 本文专栏:【Linux】 欢迎点赞👍收藏⭐关注❤️ 文章目录 📚 前言🖥️ 初识🔐 登录 root用户👥 两种用户➕ 添加用户🧑‍💻 登录 普通用户⚙️ 常见…

【娱乐项目】基于批处理脚本与JavaScript渲染视频列表的Web页面

Demo介绍 一个简单的视频播放器应用,其中包含了视频列表和一个视频播放区域。用户可以通过点击视频列表中的项来选择并播放相应的视频,播放器会自动播放每个视频并在播放完毕后切换到下一个视频。本项目旨在通过自动化脚本和动态网页渲染,帮助…

k8s集成skywalking

如果能科学上网的话,安装应该不难,如果有问题可以给我留言 本篇文章我将给大家介绍“分布式链路追踪”的内容,对于目前大部分采用微服务架构的公司来说,分布式链路追踪都是必备的,无论它是传统微服务体系亦或是新一代…

使用Native AOT发布C# dll 提供给C++调用

Native AOT,即提前本地编译(Ahead-Of-Time Compilation),是一种将托管代码(如 C#)编译为本机可执行文件的技术,无需在运行时进行任何代码生成。 (Native AOT 优缺点截图摘自张善友博…

QT:多ui界面显示

文章目录 1.多ui界面添加2.跳转函数3.返回函数4.Qt5源码工程5.模态显示 1.多ui界面添加 最终生成这个目录 2.跳转函数 void MainWindow::on_pushButton_clicked() {//this->setWindowModality(Qt::WindowModal);test1 *t1 new test1();t1->setParentData(this);this-…

cesium 3dtile ClippingPlanes 多边形挖洞ClippingPlaneCollection

原理就是3dtiles里面的属性clippingPlanes 采用ClippingPlaneCollection,构成多边形来挖洞。 其次就是xyz法向量挖洞 clippingPlanes: new this.ffCesium.Cesium.ClippingPlaneCollection({unionClippingRegions: true, // true 表示多个切割面能合并为一个有效的…

【Python网络爬虫笔记】2-HTTP协议中网络爬虫需要的请求头和响应头内容

1 HTTP 协议整理 HTTP(Hyper Text Transfer Protocol)即超文本传输协议,是用于从万维网(WWW)服务器传输超文本到本地浏览器的传送协议,直白点儿,就是浏览器和服务器之间的数据交互就是通过 HTT…

Echarts散点图(火山图)自定义配置

创建DOM元素 <div><div ref"chat" :style"{width: volcanoDimensions.width,height: volcanoDimensions.height,}" class"chat"></div></div>初始化图表 需要实现&#xff0c;被筛选出的数据&#xff0c;带有label&…

微软企业邮箱:安全可靠的企业级邮件服务!

微软企业邮箱的设置步骤&#xff1f;如何注册使用烽火域名邮箱&#xff1f; 微软企业邮箱作为一款专为企业设计的邮件服务&#xff0c;不仅提供了高效便捷的通信工具&#xff0c;更在安全性、可靠性和功能性方面树立了行业标杆。烽火将深入探讨微软企业邮箱的多重优势。 微软…

33-ESP32-蓝牙篇-00

理解蓝牙技术及其协议栈结构 介绍 在物联网(IoT)领域&#xff0c;蓝牙技术因其低功耗和易用性而成为连接设备的首选无线通信协议之一。ESP32 支持双模蓝牙 4.2&#xff0c;并且已经获得双模蓝牙 4.2 认证和蓝牙 LE 5.0 认证 一、蓝牙技术概述 什么是蓝牙&#xff1f; 蓝牙…

fiddler安卓雷电模拟器配置踩坑篇

一、fiddler端配置 和网页版fiddler一样&#xff0c;需要首先再本机安装证书&#xff0c;可以参考我之前的fiddler浏览器配置文章&#xff0c;前期操作一致&#xff1a; 此处需要注意的是connections里面需要勾选allow remote这个选项&#xff0c;这个主要是为了后来再安卓模拟…

蓝桥杯备赛笔记(一)

这里的笔记是关于蓝桥杯关键知识点的记录&#xff0c;有别于基础语法&#xff0c;很多内容只要求会用就行&#xff0c;无需深入掌握。 文章目录 前言一、编程基础1.1 C基础格式和版本选择1.2 输入输出cin和cout&#xff1a; 1.3 string以下是字符串的一些简介&#xff1a;字符串…

【HarmonyOS NEXT】ACL 受限权限申请

关键词&#xff1a;受限开放权限、ACL、鸿蒙 在鸿蒙应用开发过程中&#xff0c;部分权限被受到限制&#xff08;如悬浮窗开发、读取联系人数据、读取公共目录音频文件等权限&#xff09;&#xff0c;但是在我们的应用开发过程中又不得不使用该权限时可向华为申请受限权限&#…

《安富莱嵌入式周报》第346期:开源2GHz带宽,12bit分辨率,3.2Gsps采样率示波,开源固件安全分析器, 开源口袋电源,开源健康测量,FreeCAD

周报汇总地址&#xff1a;嵌入式周报 - uCOS & uCGUI & emWin & embOS & TouchGFX & ThreadX - 硬汉嵌入式论坛 - Powered by Discuz! 视频&#xff1a; https://www.bilibili.com/video/BV1TYBhYKECK/ 《安富莱嵌入式周报》第346期&#xff1a;开源2GHz带…

Unity3d C# 摄像头检测敌方单位(目标层级)并在画面中标注(含源码)

前言 需要实现的功能是通过一个专门的检测摄像头将出现在摄像头画面内的敌方单位检测出来&#xff0c;并通过框选的UI框在画面中标记出来。检测摄像头支持自动检测和手动控制检测&#xff0c;同时需要实现锁定模式&#xff0c;检测到一个敌方单位直接锁定到对象上等功能。 效…

【计算机网络】核心部分复习

目录 交换机 v.s. 路由器OSI七层更实用的TCP/IP四层TCPUDP 交换机 v.s. 路由器 交换机-MAC地址 链接设备和设备 路由器- IP地址 链接局域网和局域网 OSI七层 物理层&#xff1a;传输设备。原始电信号比特流。数据链路层&#xff1a;代表是交换机。物理地址寻址&#xff0c;交…

从0在自己机器上部署AlphaFold 3

本文介绍如何在自己本地机器上安装AlphaFold 3。 在10月份&#xff0c;Google DeepMind的首席执行官Demis Hassabis和高级研究科学家John M. Jumper所领导的团队&#xff0c;利用AI技术成功预测了几乎所有已知蛋白质的结构&#xff0c;开发出备受赞誉的AlphaFold&#xff0c;并…

大米中的虫子检测-检测储藏的大米中是否有虫子 支持YOLO,VOC,COCO格式标注,4070张图片的数据集

大米中的虫子检测-检测储藏的大米中是否有虫子 支持YOLO&#xff0c;VOC&#xff0c;COCO格式标注&#xff0c;4070张图片的数据集 数据集分割 4070总图像数 训练组 87&#xff05; 3551图片 有效集 9&#xff05; 362图片 测试集 4% 157图片 预处理 自动定向…

hdlbits系列verilog解答(Exams/m2014 q4a)-86

文章目录 一、问题描述二、verilog源码三、仿真结果一、问题描述 本节学习如何下图中的锁存器电路。 注意图中电路是锁存器,因此quartus会警告说推导出一个锁存器。 模块声明 module top_module ( input d, input ena, output q); 思路: 锁存器是一种对脉冲电平敏感的存储…