模版匹配——在大量的图片中找到与模版相似的图像

2024-09-02 16:28

本文主要是介绍模版匹配——在大量的图片中找到与模版相似的图像,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

传统的特征匹配算法:

通过opencv自带的matchtemplate方法识别发现对形变、旋转的效果不是很好,后来尝试利用orb特征、sift特征匹配,由于车辆很多特征很相似,也不能很好的区分,如利用sift特征匹配效果如下:

代码:

import shutil
import cv2
import numpy as np
import osdef calculate_match_score(img1, img2):"""计算两张图像的匹配分数"""# 创建SIFT对象sift = cv2.SIFT_create()# 检测SIFT关键点和描述符keypoints1, descriptors1 = sift.detectAndCompute(img1, None)keypoints2, descriptors2 = sift.detectAndCompute(img2, None)if descriptors1 is None or descriptors2 is None:return 0  # 如果无法计算描述符,则匹配分数为0# 创建BFMatcher对象bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)matches = bf.match(descriptors1, descriptors2)# 计算匹配度(匹配点数量与总点数的比值)num_matches = len(matches)total_points = len(keypoints1) + len(keypoints2)if total_points > 0:match_score = num_matches / total_pointselse:match_score = 0return match_score * 1000def template_match_folder(template_img, folder):"""在文件夹中查找与模板图像匹配的图像"""all_img_list = {}folder_name = os.path.basename(template_img).split("_")[0]save_folder = os.path.join("G:", "ss", folder_name)os.makedirs(save_folder, exist_ok=True)for des_img_name in os.listdir(folder):des_img_path = os.path.join(folder, des_img_name)# 读取目标图像des_img = cv2.imread(des_img_path)if des_img is None:print(f"无法读取图像 {des_img_path}")continueheight, width = des_img.shape[:2]des_img_area = height * widthif des_img_area < 50 * 65:continue# 计算匹配分数match_score = calculate_match_score(template_img, des_img)if match_score > 200:all_img_list[des_img_name] = match_scoresave_img_path = os.path.join(save_folder, des_img_name)shutil.copy(des_img_path, save_img_path)return all_img_listdef template_folder_match_des_folder(template_folder, folder):"""遍历模板文件夹,匹配每个模板图像与目标文件夹中的图像"""for template_name in os.listdir(template_folder):template_path = os.path.join(template_folder, template_name)template_img = cv2.imread(template_path)if template_img is None:print(f"无法读取模板图像 {template_path}")continueall_img_list = template_match_folder(template_img, folder)with open("1.txt", "a", encoding="utf-8") as f:f.write(str(all_img_list))f.write("\n")# 主程序入口
template_folder = r"G:\dataset\M3FD\M3FD_Detection\templates"
folder = r"G:\dataset\M3FD\M3FD_Detection\cut_imgs"template_folder_match_des_folder(template_folder, folder)

效果: 

模版图像:

算法匹配结果:

模版图像:

算法匹配结果: 

深度学习匹配算法:

通过resne提取图像特征,计算余弦相似度。再映射至hsv和lab颜色空间计算颜色的相似度,共同去评估模版与目标的相似度。

代码:

import torch
import torchvision.transforms as transforms
from torchvision import models
from PIL import Image
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
import cv2
import shutil
import os
import concurrent.futures
from tqdm import tqdm# 检查CUDA是否可用并选择设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(device)
# 加载预训练的 ResNet 模型并将其移动到GPU
model = models.resnet50(weights=models.ResNet50_Weights.DEFAULT)
model = model.to(device)  # 将模型移动到GPU
model.eval()  # 设置模型为评估模式# 定义图像预处理步骤
preprocess = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])def preprocess_image(image):"""将图像预处理为模型输入格式"""if isinstance(image, str):image = Image.open(image).convert('RGB')if isinstance(image, np.ndarray):image = Image.fromarray(image)if isinstance(image, Image.Image):image = preprocess(image)image = image.unsqueeze(0).to(device)  # 增加一个批次维度并将图像移动到GPUreturn imageelse:raise TypeError("Unsupported image type: {}".format(type(image)))def get_features(image):"""提取图像特征"""image = preprocess_image(image)# 使用模型提取特征with torch.no_grad():features = model(image)return features.cpu().numpy().flatten()  # 将特征从GPU移动到CPU并展平def get_color_features(image):"""提取图像颜色直方图特征"""if isinstance(image, str):image = Image.open(image).convert('RGB')if isinstance(image, np.ndarray):image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)elif isinstance(image, Image.Image):image = np.array(image.convert('RGB'))else:raise TypeError("Unsupported image type: {}".format(type(image)))# 转换到 HSV 和 Lab 颜色空间hsv_image = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)lab_image = cv2.cvtColor(image, cv2.COLOR_RGB2Lab)# 计算 HSV 颜色直方图hist_h = cv2.calcHist([hsv_image], [0], None, [256], [0, 256]).flatten()hist_s = cv2.calcHist([hsv_image], [1], None, [256], [0, 256]).flatten()hist_v = cv2.calcHist([hsv_image], [2], None, [256], [0, 256]).flatten()# 计算 Lab 颜色直方图hist_l = cv2.calcHist([lab_image], [0], None, [256], [0, 256]).flatten()hist_a = cv2.calcHist([lab_image], [1], None, [256], [-128, 128]).flatten()hist_b = cv2.calcHist([lab_image], [2], None, [256], [-128, 128]).flatten()# 计算颜色矩(均值和标准差)mean_hsv = np.mean(hsv_image, axis=(0, 1))std_hsv = np.std(hsv_image, axis=(0, 1))mean_lab = np.mean(lab_image, axis=(0, 1))std_lab = np.std(lab_image, axis=(0, 1))# 归一化直方图hist_h /= hist_h.sum() if hist_h.sum() > 0 else 1hist_s /= hist_s.sum() if hist_s.sum() > 0 else 1hist_v /= hist_v.sum() if hist_v.sum() > 0 else 1hist_l /= hist_l.sum() if hist_l.sum() > 0 else 1hist_a /= hist_a.sum() if hist_a.sum() > 0 else 1hist_b /= hist_b.sum() if hist_b.sum() > 0 else 1# 合并特征并进行标准化color_features = np.concatenate([hist_h, hist_s, hist_v, hist_l, hist_a, hist_b, mean_hsv, std_hsv, mean_lab, std_lab])color_features = (color_features - np.mean(color_features)) / (np.std(color_features) + 1e-6)  # 标准化return color_featuresdef compare_images(image1, image2):"""比较两张图像的相似性"""# 提取图像特征features1 = get_features(image1)features2 = get_features(image2)# 提取颜色特征color_features1 = get_color_features(image1)color_features2 = get_color_features(image2)similarity_reset = cosine_similarity([features1], [features2])[0][0]similarity_color = cosine_similarity([color_features1], [color_features2])[0][0]return similarity_reset, similarity_colordef calculate_match_score(img1, img2):"""计算SIFT匹配度"""# 创建SIFT对象sift = cv2.SIFT_create()# 检测SIFT关键点和描述符keypoints1, descriptors1 = sift.detectAndCompute(img1, None)keypoints2, descriptors2 = sift.detectAndCompute(img2, None)# 创建BFMatcher对象bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)matches = bf.match(descriptors1, descriptors2)# 计算匹配度(匹配点数量与总点数的比值)num_matches = len(matches)total_points = len(keypoints1) + len(keypoints2)if total_points > 100:match_score = num_matches / total_pointselse:match_score = 0return match_score * 1000def process_image_pair(template_img_path, des_img_path, save_folder):"""处理图像对并保存符合条件的图像"""template_img = cv2.imread(template_img_path)des_img = cv2.imread(des_img_path)height, width = des_img.shape[:2]des_img_area = height * widthif des_img_area < 50 * 65:return Nonesimilarity_reset_score, similarity_color_score = compare_images(template_img, des_img)if similarity_reset_score > 0.8 and similarity_color_score > 0.998:des_img_name = os.path.basename(des_img_path)save_img_path = os.path.join(save_folder, des_img_name)shutil.copy(des_img_path, save_img_path)return {des_img_name: similarity_reset_score}return Nonedef template_match_folder(template_path, folder, max_workers=8):"""处理文件夹中的所有图像"""all_img_list = {}template_img = cv2.imread(template_path)save_folder = os.path.join("G:\\fff", os.path.basename(template_path).split("_")[0])os.makedirs(save_folder, exist_ok=True)with concurrent.futures.ThreadPoolExecutor(max_workers=max_workers) as executor:futures = []for des_img_name in os.listdir(folder):des_img_path = os.path.join(folder, des_img_name)futures.append(executor.submit(process_image_pair, template_path, des_img_path, save_folder))for future in concurrent.futures.as_completed(futures):result = future.result()if result:all_img_list.update(result)return all_img_listdef template_folder_match_des_folder(template_folder, folder, max_workers=8):"""处理模板文件夹和目标文件夹"""for template_name in tqdm(os.listdir(template_folder)):template_path = os.path.join(template_folder, template_name)all_img_list = template_match_folder(template_path, folder, max_workers)with open("3.txt", "a", encoding="utf-8") as f:f.write(str(all_img_list))f.write("\n")# 示例路径(根据实际情况修改)
template_folder = r"G:\dataset\M3FD\M3FD_Detection\templates"
folder = r"G:\dataset\M3FD\M3FD_Detection\cut_imgs"# 调整 max_workers 的值以控制并行处理的数量
template_folder_match_des_folder(template_folder, folder, max_workers=4)

效果:

汽车所有模版图

所有的汽车图

算法得到的结果图:

 

 效果展示:

 

 

 

 

 

存在部分分类错误的情况:

 

优化建议:

黑车模版存在白车的情况,可以从颜色的特征进一步优化算法:

 

数据采用的是M3FD里面的车辆类别数据集

这篇关于模版匹配——在大量的图片中找到与模版相似的图像的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1130470

相关文章

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Java 正则表达式URL 匹配与源码全解析

《Java正则表达式URL匹配与源码全解析》在Web应用开发中,我们经常需要对URL进行格式验证,今天我们结合Java的Pattern和Matcher类,深入理解正则表达式在实际应用中... 目录1.正则表达式分解:2. 添加域名匹配 (2)3. 添加路径和查询参数匹配 (3) 4. 最终优化版本5.设计思

C#实现将Excel表格转换为图片(JPG/ PNG)

《C#实现将Excel表格转换为图片(JPG/PNG)》Excel表格可能会因为不同设备或字体缺失等问题,导致格式错乱或数据显示异常,转换为图片后,能确保数据的排版等保持一致,下面我们看看如何使用C... 目录通过C# 转换Excel工作表到图片通过C# 转换指定单元格区域到图片知识扩展C# 将 Excel

JS+HTML实现在线图片水印添加工具

《JS+HTML实现在线图片水印添加工具》在社交媒体和内容创作日益频繁的今天,如何保护原创内容、展示品牌身份成了一个不得不面对的问题,本文将实现一个完全基于HTML+CSS构建的现代化图片水印在线工具... 目录概述功能亮点使用方法技术解析延伸思考运行效果项目源码下载总结概述在社交媒体和内容创作日益频繁的

使用Node.js制作图片上传服务的详细教程

《使用Node.js制作图片上传服务的详细教程》在现代Web应用开发中,图片上传是一项常见且重要的功能,借助Node.js强大的生态系统,我们可以轻松搭建高效的图片上传服务,本文将深入探讨如何使用No... 目录准备工作搭建 Express 服务器配置 multer 进行图片上传处理图片上传请求完整代码示例

Python中使用正则表达式精准匹配IP地址的案例

《Python中使用正则表达式精准匹配IP地址的案例》Python的正则表达式(re模块)是完成这个任务的利器,但你知道怎么写才能准确匹配各种合法的IP地址吗,今天我们就来详细探讨这个问题,感兴趣的朋... 目录为什么需要IP正则表达式?IP地址的基本结构基础正则表达式写法精确匹配0-255的数字验证IP地

OpenCV图像形态学的实现

《OpenCV图像形态学的实现》本文主要介绍了OpenCV图像形态学的实现,包括腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起... 目录一、图像形态学简介二、腐蚀(Erosion)1. 原理2. OpenCV 实现三、膨胀China编程(

基于Python实现高效PPT转图片工具

《基于Python实现高效PPT转图片工具》在日常工作中,PPT是我们常用的演示工具,但有时候我们需要将PPT的内容提取为图片格式以便于展示或保存,所以本文将用Python实现PPT转PNG工具,希望... 目录1. 概述2. 功能使用2.1 安装依赖2.2 使用步骤2.3 代码实现2.4 GUI界面3.效

浅谈配置MMCV环境,解决报错,版本不匹配问题

《浅谈配置MMCV环境,解决报错,版本不匹配问题》:本文主要介绍浅谈配置MMCV环境,解决报错,版本不匹配问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录配置MMCV环境,解决报错,版本不匹配错误示例正确示例总结配置MMCV环境,解决报错,版本不匹配在col

Python实现AVIF图片与其他图片格式间的批量转换

《Python实现AVIF图片与其他图片格式间的批量转换》这篇文章主要为大家详细介绍了如何使用Pillow库实现AVIF与其他格式的相互转换,即将AVIF转换为常见的格式,比如JPG或PNG,需要的小... 目录环境配置1.将单个 AVIF 图片转换为 JPG 和 PNG2.批量转换目录下所有 AVIF 图