簡介

計算機視覺第一課opencv（四）保姆級教學

之前說過模糊匹配只是對于單個目標進行匹配，今天我們就來學習一下如何對多個目標進行匹配

一、多目標匹配

????????對于這個圖片我們要匹配下面那個箭頭，我們可以發現圖中是有兩個位置相同的箭頭，之前我們說的模糊匹配是尋找匹配值最大的，那兩個怎么尋找呢？

1.基本步驟

1.圖像準備
????????模板圖像：需要被匹配的目標圖像，通常是一個較小的圖像塊。
????????輸入圖像：在其中進行搜索以找到與模板圖像相似的多個區域的圖像。
2.圖像預處理
????????轉換為灰度圖像：在進行模板匹配之前，通常需要將輸入圖像和模板圖像轉換為灰度圖像，因為灰度圖像中的像素值僅表示亮度，不受顏色影響，更適合進行匹配。
????????降噪和增強：根據需要，可以對圖像進行降噪處理以提高匹配準確性，或進行增強處理以突出目標特征。
3.執行模板匹配
????????使用模板匹配算法（如OpenCV中的cv2.matchTemplate()函數）在輸入圖像中搜索與模板圖像相似的區域。
模板匹配算法會生成一個結果圖像，其中每個像素的值表示該位置與模板圖像的匹配程度。
4.定位匹配區域
????????使用cv2.minMaxLoc()等函數在結果圖像中找到匹配度最高的區域（或多個區域，如果設置了適當的閾值）。
根據匹配位置在原圖中繪制矩形框或其他標記，以指示匹配到的目標。
5.處理多個匹配
????????如果需要匹配多個目標，并且這些目標在圖像中可能以不同的尺寸、方向或旋轉角度出現，則可能需要使用更復雜的算法，如尺度不變特征變換（SIFT）、加速穩健特征（SURF）或ORB等。
????????對于簡單的多目標匹配，可以通過設置較低的匹配閾值來找到多個匹配區域，并分別處理它們。
6.優化和驗證
????????根據需要調整模板匹配算法的參數（如匹配方法、閾值等），以優化匹配結果。
????????對匹配結果進行驗證，確保它們確實是所需的目標，并排除誤匹配。

# 導入必要的庫：cv2用于圖像處理，numpy用于數值計算
import cv2
import numpy as np# 讀取原始彩色圖像（默認讀取為BGR格式，而非RGB）
img_rgb = cv2.imread('beijing.jpg')
# 將彩色圖像轉為灰度圖：模板匹配通常在單通道灰度圖上進行，減少計算量和干擾
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
# 讀取模板圖像：flags=0表示以灰度模式讀取（直接得到單通道圖像）
template = cv2.imread('jiantou.jpg', flags=0)# 獲取模板的高和寬：shape返回(高, 寬, 通道數)，[:2]取前兩個值（高h和寬w）
h, w = template.shape[:2]# 執行模板匹配：在灰度圖上滑動模板，計算每個位置的匹配度
# 參數說明：
# - img_gray：待匹配的灰度圖像（大圖像）
# - template：模板圖像（小圖像）
# - cv2.TM_CCOEFF_NORMED：匹配方法（歸一化相關系數匹配）
# 返回值res：是一個矩陣，每個元素表示模板在對應位置的匹配度（范圍[-1,1]，1為完美匹配）
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)# 設定匹配閾值：只有匹配度≥0.9的區域才被認為是有效匹配（過濾低匹配度的干擾）
threshold = 0.9# 獲取所有符合閾值的匹配點坐標：
# np.where(res >= threshold)返回滿足條件的索引，格式為(行坐標數組, 列坐標數組)
# 例如：(array([5, 10]), array([3, 7]))表示有兩個匹配點，坐標為(5,3)和(10,7)
loc = np.where(res >= threshold)# 遍歷所有匹配點，在原圖上繪制矩形框標記
# zip(*loc[::-1])的作用：將坐標從(行,列)轉為(列,行)（OpenCV中坐標是(x,y)即列在前，行在后）
for pt in zip(*loc[::-1]):# 繪制矩形：# - img_rgb：要繪制的圖像（原始彩色圖，方便直觀查看）# - pt：矩形左上角坐標（x,y）# - (pt[0]+w, pt[1]+h)：矩形右下角坐標（左上角x+模板寬，左上角y+模板高）# - color=(0,0,255)：矩形顏色（BGR格式，這里是紅色）# - thickness=1：矩形線寬cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), color=(0, 0, 255), thickness=1)# 顯示標記后的圖像：第一個參數是窗口名稱（空字符串表示默認窗口），第二個參數是圖像
cv2.imshow('', img_rgb)
# 等待用戶按鍵輸入：0表示無限等待（直到按下任意鍵關閉窗口）
cv2.waitKey(0)

局限性：
????????只能匹配與模板方向、大小完全一致的目標。如果目標在圖像中旋轉了（比如箭頭方向變了），則無法檢測到。那我們就繼續探索一下如何去匹配旋轉的目標

二、圖像旋轉

????????為了解決上述局限性，需要先掌握如何旋轉圖像。這部分提供了兩種旋轉方法，用于后續生成不同角度的模板。

import cv2
import numpy as np# 方法一：使用numpy的rot90函數旋轉（按90度倍數旋轉）
img = cv2.imread('../kele.png')  # 讀取圖像（以彩色模式）
# np.rot90參數說明：
# - 第一個參數：要旋轉的圖像
# - k：旋轉次數（每次90度），k=1表示逆時針轉90度，k=-1（或3）表示順時針轉90度
rotated_image1 = np.rot90(img, k=-1)  # 順時針旋轉90度
rotated_image2 = np.rot90(img, k=1)   # 逆時針旋轉90度# 顯示原圖和旋轉后的圖像
cv2.imshow('yuantu', img)  # 原圖窗口
cv2.imshow('rotated_image1', rotated_image1)  # 順時針90度窗口
cv2.imshow('rotated_image2', rotated_image2)  # 逆時針90度窗口
cv2.waitKey(0)  # 等待按鍵
cv2.destroyAllWindows()  # 關閉所有窗口，釋放資源# 方法二：使用OpenCV的rotate函數旋轉（更直觀，支持固定角度）
rotated_image = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)  # 順時針90度
rotated_image1 = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE)  # 逆時針90度
rotated_image2 = cv2.rotate(img, cv2.ROTATE_180)  # 旋轉180度# 顯示旋轉結果
cv2.imshow('shun90', rotated_image)    # 順時針90度窗口
cv2.imshow('ni90', rotated_image1)     # 逆時針90度窗口
cv2.imshow('180', rotated_image2)      # 180度窗口
cv2.waitKey(0)  # 等待按鍵

兩種方法對比：

• np.rot90：通過旋轉次數控制（k=1/2/3/-1），適合 90 度倍數的旋轉，但不夠直觀。
• cv2.rotate：直接通過枚舉值指定旋轉方向（如ROTATE_90_CLOCKWISE），可讀性更強，推薦使用。

三、支持旋轉角度的模板匹配

結合多目標匹配與旋轉的知識，我們就可以結合一下實現對旋轉角度的模板匹配

import cv2
import numpy as np# 讀取原始圖像和模板
img_rgb = cv2.imread('beijing.jpg')  # 原始彩色圖像
template = cv2.imread('jiantou.jpg', 0)  # 模板圖像（以灰度模式讀取）
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)  # 原始圖像轉灰度# 方法二（cv2.rotate）生成不同角度的模板（方法一被注釋，原理相同）
template_rot90_clockwise_cv = cv2.rotate(template, cv2.ROTATE_90_CLOCKWISE)  # 順時針90度
template_rot90_counterclockwise_cv = cv2.rotate(template, cv2.ROTATE_90_COUNTERCLOCKWISE)  # 逆時針90度
template_rot180_cv = cv2.rotate(template, cv2.ROTATE_180)  # 180度# 定義模板列表：包含原始模板和所有旋轉后的模板（需要檢測的角度）
templates = [template,  # 原始模板（0度）template_rot90_clockwise_cv,  # 順時針90度template_rot90_counterclockwise_cv,  # 逆時針90度template_rot180_cv  # 180度
]# 設定匹配閾值：從0.9降低到0.8
# 原因：旋轉后的模板與目標的匹配度可能略低（邊緣、細節可能有偏差），降低閾值避免漏檢
threshold = 0.8# 遍歷每個模板，分別進行匹配
for temp in templates:h, w = temp.shape[:2]  # 獲取當前模板的高和寬（不同旋轉角度的模板尺寸可能變化）# 對當前模板執行匹配res = cv2.matchTemplate(img_gray, temp, cv2.TM_CCOEFF_NORMED)# 獲取符合閾值的匹配點坐標loc = np.where(res >= threshold)# 遍歷匹配點，繪制矩形框for pt in zip(*loc[::-1]):cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)# 顯示最終匹配結果
cv2.imshow('Result', img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()  # 關閉窗口，釋放資源

核心邏輯：
通過生成模板的多個旋轉版本（0°、90° 順時針、90° 逆時針、180°），分別與原始圖像匹配，從而覆蓋目標可能的旋轉角度。這樣即使目標在圖像中旋轉了，也能被檢測到。