物件檢測

詳細描述

列舉
列舉	cv::TemplateMatchModes {   cv::TM_SQDIFF = 0 ,   cv::TM_SQDIFF_NORMED = 1 ,   cv::TM_CCORR = 2 ,   cv::TM_CCORR_NORMED = 3 ,   cv::TM_CCOEFF = 4 ,   cv::TM_CCOEFF_NORMED = 5 }
	模板匹配操作的型別 更多...

函式
void	cv::matchTemplate (InputArray image, InputArray templ, OutputArray result, int method, InputArray mask=noArray())
	將模板與重疊影像區域進行比較。

列舉型別文件

TemplateMatchModes

enum cv::TemplateMatchModes

#include <opencv2/imgproc.hpp>

模板匹配操作的型別

列舉器
TM_SQDIFF  Python: cv.TM_SQDIFF	\[R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2\] 帶掩碼 \[R(x,y)= \sum _{x',y'} \left( (T(x',y')-I(x+x',y+y')) \cdot M(x',y') \right)^2\]
TM_SQDIFF_NORMED  Python: cv.TM_SQDIFF_NORMED	\[R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{ x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}\] 帶掩碼 \[R(x,y)= \frac{\sum _{x',y'} \left( (T(x',y')-I(x+x',y+y')) \cdot M(x',y') \right)^2}{\sqrt{\sum_{x',y'} \left( T(x',y') \cdot M(x',y') \right)^2 \cdot \sum_{x',y'} \left( I(x+x',y+y') \cdot M(x',y') \right)^2}}\]
TM_CCORR  Python: cv.TM_CCORR	\[R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y'))\] 帶掩碼 \[R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y') \cdot M(x',y') ^2)\]
TM_CCORR_NORMED  Python: cv.TM_CCORR_NORMED	\[R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I(x+x',y+y'))}{\sqrt{ \sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}\] 帶掩碼 \[R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I(x+x',y+y') \cdot M(x',y')^2)}{\sqrt{\sum_{x',y'} \left( T(x',y') \cdot M(x',y') \right)^2 \cdot \sum_{x',y'} \left( I(x+x',y+y') \cdot M(x',y') \right)^2}}\]
TM_CCOEFF  Python: cv.TM_CCOEFF	\[R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I'(x+x',y+y'))\] 其中 \[\begin{array}{l} T'(x',y')=T(x',y') - 1/(w \cdot h) \cdot \sum _{ x'',y''} T(x'',y'') \\ I'(x+x',y+y')=I(x+x',y+y') - 1/(w \cdot h) \cdot \sum _{x'',y''} I(x+x'',y+y'') \end{array}\] 帶掩碼 \[\begin{array}{l} T'(x',y')=M(x',y') \cdot \left( T(x',y') - \frac{1}{\sum _{x'',y''} M(x'',y'')} \cdot \sum _{x'',y''} (T(x'',y'') \cdot M(x'',y'')) \right) \\ I'(x+x',y+y')=M(x',y') \cdot \left( I(x+x',y+y') - \frac{1}{\sum _{x'',y''} M(x'',y'')} \cdot \sum _{x'',y''} (I(x+x'',y+y'') \cdot M(x'',y'')) \right) \end{array} \]
TM_CCOEFF_NORMED  Python: cv.TM_CCOEFF_NORMED	\[R(x,y)= \frac{ \sum_{x',y'} (T'(x',y') \cdot I'(x+x',y+y')) }{ \sqrt{\sum_{x',y'}T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2} }\]

函式文件

matchTemplate()

void cv::matchTemplate	(	InputArray	image,
		InputArray	templ,
		OutputArray	result,
		int	方法,
		InputArray	mask = noArray() )

Python
	cv.matchTemplate(	image, templ, method[, result[, mask]]	) ->	result

#include <opencv2/imgproc.hpp>

將模板與重疊影像區域進行比較。

該函式在 image 上滑動，使用指定的方法比較大小為 \(w \times h\) 的重疊塊與 templ，並將比較結果儲存在 result 中。 TemplateMatchModes 描述了可用比較方法的公式（\(I\) 表示影像，\(T\) 表示模板，\(R\) 表示結果，\(M\) 表示可選掩碼）。 求和是在模板和/或影像塊上完成的：\(x' = 0...w-1, y' = 0...h-1\)

函式完成比較後，可以使用 minMaxLoc 函式找到最佳匹配作為全域性最小值（當使用 TM_SQDIFF 時）或最大值（當使用 TM_CCORR 或 TM_CCOEFF 時）。 對於彩色影像，分子中的模板求和以及分母中的每個求和都在所有通道上完成，並且每個通道使用單獨的平均值。 也就是說，該函式可以採用彩色模板和彩色影像。 結果仍然是單通道影像，這更容易分析。

引數

image	執行搜尋的影像。 它必須是 8 位或 32 位浮點數。
templ	搜尋的模板。 它必須不大於源影像，並且具有相同的資料型別。
result	比較結果的對映。 它必須是單通道 32 位浮點數。 如果 image 是 \(W \times H\) 並且 templ 是 \(w \times h\) ，則 result 是 \((W-w+1) \times (H-h+1)\) 。
方法	指定比較方法的引數，請參閱 TemplateMatchModes
mask	可選掩碼。 它必須與 templ 的大小相同。 它必須具有與模板相同的通道數，或者只有一個通道，然後該通道用於所有模板和影像通道。 如果資料型別為 CV_8U，則掩碼被解釋為二進位制掩碼，這意味著僅使用掩碼為非零的元素，並且獨立於實際掩碼值（權重等於 1）保持不變。 對於資料型別 CV_32F，掩碼值用作權重。 確切的公式記錄在 TemplateMatchModes 中。