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 }
	模板匹配操作的類型 更多...

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

列舉類型文件

TemplateMatchModes

enum cv::TemplateMatchModes

#include <opencv2/imgproc.hpp>

模板匹配操作的類型

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

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

#include <opencv2/imgproc.hpp>

將模板與重疊的影像區域進行比較。

此函數在圖像 (image) 上滑動，使用指定的方法將大小為 \(w \times h\) 的重疊區塊與模板 (templ) 進行比較，並將比較結果儲存於 result 中。TemplateMatchModes 描述了可用比較方法的公式（\(I\) 表示圖像，\(T\) 表示模板，\(R\) 表示結果，\(M\) 表示可選的遮罩）。求和計算是針對模板和/或圖像區塊進行的：\(x' = 0...w-1, y' = 0...h-1\)

函數完成比較後，可以使用 minMaxLoc 函數找到最佳匹配，結果為全域最小值（當使用 TM_SQDIFF 時）或最大值（當使用 TM_CCORR 或 TM_CCOEFF 時）。對於彩色圖像，分子中的模板求和與分母中的每個求和都是針對所有通道進行的，且每個通道使用單獨的平均值。也就是說，該函數可以接受彩色模板和彩色圖像。最終結果仍將是一張單通道圖像，便於分析。

參數

image	執行搜尋的圖像。必須是 8 位元或 32 位元浮點型。
templ	要搜尋的模板。必須不大於來源圖像，且具有相同的資料類型。
result	比較結果的映射圖。必須是單通道 32 位元浮點型。如果圖像為 \(W \times H\)，模板為 \(w \times h\)，則結果為 \((W-w+1) \times (H-h+1)\)。
method	指定比較方法的參數，請參見 TemplateMatchModes
遮罩 (mask)	可選遮罩。必須與模板大小相同。它必須與模板具有相同數量的通道，或者僅有一個通道（該通道將用於所有模板和圖像通道）。如果資料類型為 CV_8U，則該遮罩被解釋為二進位遮罩，表示僅使用遮罩中非零的元素，且這些元素保持不變，與實際遮罩值無關（權重等於 1）。對於 CV_32F 類型的資料，遮罩值被用作權重。具體公式記錄在 TemplateMatchModes 中。