OpenCv--模板匹配

模板匹配

模板匹配是一項在一幅圖像中尋找與另一幅模板圖像最匹配(相似)部分的技術.

實現：

• 我們需要2幅圖像:

  1. 原圖像 (I): 在這幅圖像裏,我們希望找到一塊和模板匹配的區域
  2. 模板 (T): 將和原圖像比照的圖像塊

  我們的目標是檢測最匹配的區域:

• 爲了確定匹配區域, 我們不得不滑動模板圖像和原圖像進行 比較 :

• 通過 滑動, 我們的意思是圖像塊一次移動一個像素 (從左往右,從上往下). 在每一個位置, 都進行一次度量計算來表明它是 “好” 或 “壞” 地與那個位置匹配 (或者說塊圖像和原圖像的特定區域有多麼相似).

• 對於 T 覆蓋在 I 上的每個位置,你把度量值 保存 到 結果圖像矩陣 (R) 中. 在 R 中的每個位置  都包含匹配度量值:

  上圖就是 TM_CCORR_NORMED 方法處理後的結果圖像 R . 最白的位置代表最高的匹配. 正如您所見, 紅色橢圓框住的位置很可能是結果圖像矩陣中的最大數值, 所以這個區域 (以這個點爲頂點,長寬和模板圖像一樣大小的矩陣) 被認爲是匹配的.

• 實際上, 我們使用函數 minMaxLoc 來定位在矩陣 R 中的最大值點 (或者最小值, 根據函數輸入的匹配參數) .

opencv實現方法：

• 使用OpenCV函數 matchTemplate 在模板塊和輸入圖像之間尋找匹配,獲得匹配結果圖像
• 使用OpenCV函數 minMaxLoc 在給定的矩陣中尋找最大和最小值(包括它們的位置).

歸一化作用：

定義：標準化是將不同變化範圍的值映射到相同的固定範圍中，常見的是 [0,1]，此時亦稱歸一化，也可以是[-1,1]範圍。

形式：

min_max標準化：

也稱爲離差標準化，是對原始數據的線性變換，使結果值映射到[0 - 1]之間。轉換函數如下：

2.Z-score標準化方法

這種方法給予原始數據的均值（mean）和標準差（standard deviation）進行數據的標準化。經過處理的數據符合標準正態分佈，即均值爲0，標準差爲1，轉化函數爲：

作用：

1.無量綱化
例如房子數量和收入，從業務層知道這兩者的重要性一樣，所以把它們全部歸一化，這是從業務層面上作的處理。

2.避免數值問題
不同的數據在不同列數據的數量級相差過大的話，計算起來大數的變化會掩蓋掉小數的變化。

3.一些模型求解的需要
例如梯度下降法，如果不歸一化，當學習率較大時，求解過程會呈之字形下降。學習率較小，則會產生直角形路線，不管怎麼樣，都不會是好路線。

4.時間序列
進行log分析時，會將原本絕對化的時間序列歸一化到某個基準時刻，形成相對時間序列，方便排查。

5.收斂速度
加快求解過程中參數的收斂速度。

例子：

假設有兩個變量，都是均勻分佈，x1範圍是[10000,20000]，x2範圍是[1,2]。有很多處於同一直線上的點，我們稱這條直線爲L。如果現在我們要做一個分類的話，x2幾乎可以被忽略，x2很無辜的被幹掉了，僅僅因爲所謂量綱的問題。即便x2不被幹掉，現在繼續求解，來做梯度下降。 很顯然，如果某一步我們求得的下降方向不在直線L上，幾乎可以肯定肯定這步不會下降。這就會導致不收斂，或者收斂很慢。

模板匹配實例：

#include<opencv2\opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
Mat src1,src2, dst;
int value = 0;
int max_value = 5;
void demo(int, void*);
int main()
{
	src1 = imread("C:\\Users\\馬迎偉\\Desktop\\heibao.jpg");
	src2 = imread("C:\\Users\\馬迎偉\\Desktop\\heibao1.png");
	if (src1.empty())
	{
		printf("cannot load!!\n");
		system("pause");
		return -1;
	}
	namedWindow("src",CV_WINDOW_AUTOSIZE);
	namedWindow("output",CV_WINDOW_AUTOSIZE);
	createTrackbar("trackbar","output",&value,max_value,demo);
	demo(0, 0);
	//imshow("output", dst);
	waitKey(0);
	return 0;
}
void demo(int, void*)
{
	int dst_col = src1.cols - src2.cols + 1;
	int dst_row = src1.rows - src2.rows + 1;
	//dst必須規定是 這個尺寸和類型
	dst.create(Size(dst_col,dst_row),CV_32FC1);
	//模板匹配
	matchTemplate(src1,src2,dst,value,Mat());
	//歸一化
	normalize(dst,dst,0,1,NORM_MINMAX,-1,Mat());
	double minval, maxval;
	Point minloc, maxloc, loc;
	//找到模板匹配的最大值最小值和位置
	minMaxLoc(dst,&minval,&maxval,&minloc,&maxloc,Mat());
	if (value==CV_TM_SQDIFF||value==CV_TM_SQDIFF_NORMED)
	{
		loc = minloc;
	}
	else
	{
		loc = maxloc;
	}
	rectangle(dst,Rect(loc.x,loc.y,src2.cols,src2.rows),Scalar(0,0,255),2,LINE_AA);
	rectangle(src1,Rect(loc.x, loc.y, src2.cols, src2.rows), Scalar(255, 255, 255), 2, LINE_AA);
	imshow("output",dst);
	imshow("src", src1);
}