收入囊中
在http://blog.csdn.net/abcd1992719g/article/details/25505315这里，我们已经学习了怎样利用反向投影和meanshift算法来在图像中查找给定模版图片的位置。meanshift针对的是单张图像，在连续图像序列的跟踪中。camshift(Continuously
Adaptive Mean-SHIFT)是一种著名的算法。但在这里。我们先不讨论camshift,而是先讨论最简单的模版匹配。
- 模版匹配算法
- opencv normalize函数
- opencv matchTemplate函数
- opencv minMaxLoc函数
当中，normalize归一化函数和minMaxLoc函数我们曾经用过，在本节将具体阐述他们的使用方法。
葵花宝典
本节的算法也是属于比較简单的。
我们举个样例：以下各自是源图像和模版图像
站在最单纯的角度，你会怎么做？
毫无疑问，我们要找到一个标准来衡量。square error是最普遍简单的.
步骤：
- 遍历图像的全部点
- 对于一个点(m,n),计算square error.也就是遍历模版图像的长和高，计算sum( (src(m+x,n+y)-template(x,y))^2 )
- 遍历完后，就有了一个和原图大小相等的square error(不考虑边缘)矩阵，然后取出值最小的那个位置
OpenCV就是这么做的。仅仅只是它提供了6种方法(事实上是3种，另外3种仅仅只是多了归一化)，square error是当中一种
初识API
循环遍历计算的过程OpenCV帮我们做了，matchTemplate
- C++: void matchTemplate(InputArray image, InputArray templ, OutputArray result, int method)
-
- image – 输入图像
- templ – 模版图像，不能比输入图像大，类型要和输入图像一致
- result – 输出的结果，单通道32位浮点数.result图像比输入图像要小，由于考虑了边界.If image is
and templ is 
,
thenresult is 
. - method – 有6种方法
method=CV_TM_SQDIFF
-
method=CV_TM_SQDIFF_NORMED
-
method=CV_TM_CCORR
-
method=CV_TM_CCORR_NORMED
-
method=CV_TM_CCOEFF
where
-
method=CV_TM_CCOEFF_NORMED
R越小越匹配 (when CV_TM_SQDIFF was
used)
R越大越匹配 (whenCV_TM_CCORR or CV_TM_CCOEFF was
used)
归一化？normalize
我们发现，上面3种是没有归一化的，也就是result可能会是一个值非常大的矩阵，几万几十万，imshow是一片黑乎乎。
假设我们想看效果。就必需要做归一化了.
C++: void normalize(InputArray src,
OutputArray dst, double alpha=1,
double beta=0, int norm_type=NORM_L2,
int dtype=-1, InputArraymask=noArray() )
如果我有[1,4,5,6,7,10]的矩阵,我们先看3种归一化类型
L1_norm: 每個元素乘上1/sqrt(1+4+5+6+7+10)
L2_norm: 每個元素乘上1/sqrt(1+16+25+36+49+100)
NORM_MINMAX:使每個元素限制在[a=5,b=0]之間算法例如以下:dst(i)=(src(i)-min(src))*(5-0)/(max(src)-min(src))
1-->0
4-->3*5/9=1.6666
5-->4*5/9=2.2222
L2_norm: 每個元素乘上1/sqrt(1+16+25+36+49+100)
NORM_MINMAX:使每個元素限制在[a=5,b=0]之間算法例如以下:dst(i)=(src(i)-min(src))*(5-0)/(max(src)-min(src))
1-->0
4-->3*5/9=1.6666
5-->4*5/9=2.2222
比較经常使用的还是MinMAX,OpenCV默认使用NORM_L2
在使用L1_norm,L2_norm时，alpha,beta就没效果了.
在使用NORM_MINMAX时候。alpha,beta就是你要缩放的范围，我发现两个值换一下没关系，大概OpenCV帮我们推断了大小。
找到最大最小值。minMaxLoc
the function calls as arguments:
- image: 输入图像
- &minVal and &maxVal: Variables to save the minimum and maximum values in result
- &minLoc and &maxLoc: The Point locations of the minimum and maximum values in the array.
- Mat(): Optional mask
荷枪实弹
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>
using namespace std;
using namespace cv;
Mat img; Mat templ; Mat result;
const char* image_window = "Source Image";
const char* result_window = "Result window";
int match_method;
int max_Trackbar = 5;
void MatchingMethod( int, void* );
int main( int, char** argv )
{
/// Load image and template
img = imread( argv[1], 1 );
templ = imread( argv[2], 1 );
/// Create windows
namedWindow( image_window, CV_WINDOW_AUTOSIZE );
namedWindow( result_window, CV_WINDOW_AUTOSIZE );
/// Create Trackbar
const char* trackbar_label = "Method:
0: SQDIFF
1: SQDIFF NORMED
2: TM CCORR
3: TM CCORR NORMED
4: TM COEFF
5: TM COEFF NORMED";
createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );
MatchingMethod( 0, 0 );
waitKey(0);
return 0;
}
void MatchingMethod( int, void* )
{
Mat img_display;
img.copyTo( img_display );
//重要。调用模版匹配再进行归一化
matchTemplate( img, templ, result, match_method );
normalize( result, result, 0, 1, NORM_MINMAX);
double minVal; double maxVal; Point minLoc; Point maxLoc;
Point matchLoc;
//找到最大最小点
minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
//依据我前面讲的。分方法取最大还是最小值
if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
{ matchLoc = minLoc; }
else
{ matchLoc = maxLoc; }
//画上矩形框框
rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
imshow( image_window, img_display );
imshow( result_window, result );
return;
}
举一反三
有时候。图像中要有多个匹配的地方，这时候就不能仅仅用一次minMaxLoc来攻克了，能够去遍历我们的结果矩阵.
计算机视觉讨论群：162501053
转载请注明：http://blog.csdn.net/abcd1992719g