【計算機視覺】OpenCV篇(10) - 模式識別中的模板匹配

什么是模式識別？

它指的是，對表征事物或現象的各種形式的信息進行處理和分析，從而達到對事物或現象進行描述、辨認、分類和解釋的目的。

我們之所以可以很快辨別貓是貓、O不是0，就是因為在我們大腦中已經給貓的做了一個抽象，給O和0做了區分，這樣我們才不用每次都重新靠思考和計算理解這到底是不是貓。這個在大腦中的抽象就是模式識別。

模式識別和機器學習的區別在於：前者喂給機器的是各種特征描述，從而讓機器對未知的事物進行判斷；后者喂給機器的是某一事物的海量樣本，讓機器通過樣本來自己發現特征，最后去判斷某些未知的事物。

什么是模板匹配？

機器學習炙手可熱的今天，貌似好多人都信手拈來“K-NN”、“Bayes Classifier”、“PCA”這種主流的模式識別算法。但是我們今天要聊的是傳統的、最簡單的模板匹配。

模板匹配是一種最原始、最基本的模式識別方法，研究某一特定對象物的圖案位於圖像的什么地方，進而識別對象物，這就是一個匹配問題。它是圖像處理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表現在它只能進行平行移動，若原圖像中的匹配目標發生旋轉或大小變化，該算法無效。

簡單來說，模板匹配就是在整個圖像區域發現與給定子圖像匹配的小塊區域。

怎么實現模板匹配？

在待檢測圖像上，從左到右，從上向下一個像素一個像素地移動模板，計算模板圖像與重疊子圖像的匹配度，匹配程度越大，兩者相同的可能性越大。

怎么計算匹配度？

OpenCV中提供的模板識別的方法如下：

1.利用平方差來進行匹配,最好匹配為0.匹配越差,匹配值越大。

• TM_SQDIFF：平方差匹配

• TM_SQDIFF_NORMED：標准平方差匹配

 

2.采用模板和圖像間的乘法操作,數越大表示匹配程度較高, 0表示最壞的匹配效果。

• TM_CCORR：相關性匹配

• TM_CCORR_NORMED：標准相關性匹配

3. 將模版對其均值的相對值與圖像對其均值的相關值進行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列)。

• TM_CCOEFF：相關性系數匹配

• TM_CCOEFF_NORMED：標准相關性系數匹配

總結：隨着從簡單的測量(平方差)到更復雜的測量(相關系數),我們可獲得越來越准確的匹配(同時也意味着越來越大的計算代價)。

 紙上得來終覺淺，絕知此事要躬行

 上代碼：

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

using namespace std;
using namespace cv;

/// Global Variables
bool use_mask;
Mat img; Mat templ; Mat mask; Mat result;
const char* image_window = "Source Image";
const char* result_window = "Result window";

int match_method;
int max_Trackbar = 5;

// Function Headers
void MatchingMethod( int, void* );

/**
 * @function main
 */
int main( int argc, char** argv )
{
  //MatchTemplate_Demo <image_name> <template_name>[<mask_name>]

  // Load image and template
  img = imread("F:/opencv/build/bin/sample-data/template-matching/Original_Image.jpg", IMREAD_COLOR );
  templ = imread("F:/opencv/build/bin/sample-data/template-matching/Template_Image.jpg", IMREAD_COLOR );
  use_mask = false;
  //mask = imread("", IMREAD_COLOR);

  if(img.empty() || templ.empty() || (use_mask && mask.empty()))
  {
    cout << "Can't read one of the images" << endl;
    return -1;
  }

  // Create windows
  namedWindow( image_window, WINDOW_AUTOSIZE );
  namedWindow( result_window, WINDOW_AUTOSIZE );

  // Create Trackbar
  const char* trackbar_label = "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";
  createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

  MatchingMethod( 0, 0 );

  waitKey(0);
  return 0;
}

/**
 * @function MatchingMethod
 * @brief Trackbar callback
 */
void MatchingMethod( int, void* )
{
  // Source image to display
  Mat img_display;
  img.copyTo( img_display );

  // Create the result matrix
  int result_cols =  img.cols - templ.cols + 1;
  int result_rows = img.rows - templ.rows + 1;

  result.create( result_rows, result_cols, CV_32FC1 );

  // Do the Matching and Normalize
  bool method_accepts_mask = (TM_SQDIFF == match_method || match_method == TM_CCORR_NORMED);
  if (use_mask && method_accepts_mask)
    { matchTemplate( img, templ, result, match_method, mask); }
  else
    { matchTemplate( img, templ, result, match_method); }

  normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

  // Localizing the best match with minMaxLoc
  double minVal; double maxVal; Point minLoc; Point maxLoc;
  Point matchLoc;

  minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );

  // For SQDIFF and SQDIFF_NORMED, the best matches are lower values. For all the other methods, the higher the better
  if( match_method  == TM_SQDIFF || match_method == TM_SQDIFF_NORMED )
    { matchLoc = minLoc; }
  else
    { matchLoc = maxLoc; }

  // Show me what you got
  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;
}

結果：