opencv轮廓匹配（opencv轮廓匹配定位）

## OpenCV轮廓匹配### 简介在计算机视觉领域，识别和定位图像中的物体是一项基本任务。轮廓匹配是实现这一目标的一种有效技术，它通过比较两个轮廓的形状相似度来找到最佳匹配。OpenCV作为一个强大的计算机视觉库，提供了丰富的函数来实现轮廓匹配。### 轮廓匹配步骤轮廓匹配通常包含以下步骤：1.

图像预处理

:

将图像转换为灰度图像。

使用阈值化或边缘检测等方法提取图像中的目标边缘。 2.

轮廓提取

:

使用 `cv2.findContours()` 函数提取图像中的轮廓。 3.

轮廓特征计算

:

计算每个轮廓的特征，例如面积、周长、Hu矩等，这些特征将用于后续的匹配。 4.

轮廓匹配

:

使用 `cv2.matchShapes()` 函数比较不同轮廓的相似度，该函数返回一个表示相似度的值，值越小表示相似度越高。 5.

结果筛选

:

根据相似度阈值筛选匹配结果，保留最佳匹配。### OpenCV轮廓匹配函数#### 1. cv2.findContours()该函数用于提取图像中的轮廓。其语法如下：```python contours, hierarchy = cv2.findContours(image, mode, method) ```参数说明：

image

: 输入图像，必须是二值图像。

mode

: 轮廓检索模式，常用的模式包括：

`cv2.RETR_EXTERNAL`: 只检索最外层轮廓。

`cv2.RETR_LIST`: 检索所有轮廓，并将其保存到列表中。

`cv2.RETR_TREE`: 检索所有轮廓，并重建嵌套轮廓的层次结构。

method

: 轮廓逼近方法，常用的方法包括：

`cv2.CHAIN_APPROX_NONE`: 存储所有轮廓点。

`cv2.CHAIN_APPROX_SIMPLE`: 仅存储可以唯一表示轮廓的点，例如直线的端点。返回值：

contours

: 找到的轮廓列表，每个轮廓都是一个Numpy数组，表示轮廓点的坐标。

hierarchy

: 轮廓的层次结构。#### 2. cv2.matchShapes()该函数用于比较两个轮廓的相似度。其语法如下：```python similarity = cv2.matchShapes(contour1, contour2, method, parameter) ```参数说明：

contour1

: 第一个轮廓。

contour2

: 第二个轮廓。

method

: 轮廓匹配方法，常用的方法包括：

`cv2.CONTOURS_MATCH_I1`: 基于Hu矩的匹配方法。

`cv2.CONTOURS_MATCH_I2`: 改进的基于Hu矩的匹配方法。

`cv2.CONTOURS_MATCH_I3`: 基于轮廓矩的匹配方法。

parameter

: 特定方法的参数，通常设置为0。返回值：

similarity

: 两个轮廓的相似度，值越小表示相似度越高。### 实例```python import cv2# 读取图像 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg')# 灰度化 gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 阈值化 ret, thresh1 = cv2.threshold(gray1, 127, 255, cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(gray2, 127, 255, cv2.THRESH_BINARY)# 提取轮廓 contours1, _ = cv2.findContours(thresh1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours2, _ = cv2.findContours(thresh2, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 比较第一个轮廓与第二个图像中的所有轮廓 for i, contour in enumerate(contours2):similarity = cv2.matchShapes(contours1[0], contour, cv2.CONTOURS_MATCH_I2, 0)print(f"轮廓 {i} 的相似度: {similarity}")# 如果相似度小于阈值，则认为匹配if similarity < 0.1:cv2.drawContours(img2, [contour], -1, (0, 255, 0), 3)# 显示结果 cv2.imshow("Match Result", img2) cv2.waitKey(0) cv2.destroyAllWindows() ```### 总结OpenCV提供了强大的函数来实现轮廓匹配，可以帮助我们在图像中找到特定形状的物体。选择合适的匹配方法和相似度阈值对于获得良好的匹配结果至关重要。

OpenCV轮廓匹配

简介在计算机视觉领域，识别和定位图像中的物体是一项基本任务。轮廓匹配是实现这一目标的一种有效技术，它通过比较两个轮廓的形状相似度来找到最佳匹配。OpenCV作为一个强大的计算机视觉库，提供了丰富的函数来实现轮廓匹配。

轮廓匹配步骤轮廓匹配通常包含以下步骤：1. **图像预处理**: * 将图像转换为灰度图像。* 使用阈值化或边缘检测等方法提取图像中的目标边缘。 2. **轮廓提取**: * 使用 `cv2.findContours()` 函数提取图像中的轮廓。 3. **轮廓特征计算**:* 计算每个轮廓的特征，例如面积、周长、Hu矩等，这些特征将用于后续的匹配。 4. **轮廓匹配**:* 使用 `cv2.matchShapes()` 函数比较不同轮廓的相似度，该函数返回一个表示相似度的值，值越小表示相似度越高。 5. **结果筛选**:* 根据相似度阈值筛选匹配结果，保留最佳匹配。

OpenCV轮廓匹配函数

1. cv2.findContours()该函数用于提取图像中的轮廓。其语法如下：```python contours, hierarchy = cv2.findContours(image, mode, method) ```参数说明：* **image**: 输入图像，必须是二值图像。 * **mode**: 轮廓检索模式，常用的模式包括：* `cv2.RETR_EXTERNAL`: 只检索最外层轮廓。* `cv2.RETR_LIST`: 检索所有轮廓，并将其保存到列表中。* `cv2.RETR_TREE`: 检索所有轮廓，并重建嵌套轮廓的层次结构。 * **method**: 轮廓逼近方法，常用的方法包括：* `cv2.CHAIN_APPROX_NONE`: 存储所有轮廓点。* `cv2.CHAIN_APPROX_SIMPLE`: 仅存储可以唯一表示轮廓的点，例如直线的端点。返回值：* **contours**: 找到的轮廓列表，每个轮廓都是一个Numpy数组，表示轮廓点的坐标。 * **hierarchy**: 轮廓的层次结构。

2. cv2.matchShapes()该函数用于比较两个轮廓的相似度。其语法如下：```python similarity = cv2.matchShapes(contour1, contour2, method, parameter) ```参数说明：* **contour1**: 第一个轮廓。 * **contour2**: 第二个轮廓。 * **method**: 轮廓匹配方法，常用的方法包括：* `cv2.CONTOURS_MATCH_I1`: 基于Hu矩的匹配方法。* `cv2.CONTOURS_MATCH_I2`: 改进的基于Hu矩的匹配方法。* `cv2.CONTOURS_MATCH_I3`: 基于轮廓矩的匹配方法。 * **parameter**: 特定方法的参数，通常设置为0。返回值：* **similarity**: 两个轮廓的相似度，值越小表示相似度越高。

实例```python import cv2

读取图像 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg')

灰度化 gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

阈值化 ret, thresh1 = cv2.threshold(gray1, 127, 255, cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(gray2, 127, 255, cv2.THRESH_BINARY)

提取轮廓 contours1, _ = cv2.findContours(thresh1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours2, _ = cv2.findContours(thresh2, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

比较第一个轮廓与第二个图像中的所有轮廓 for i, contour in enumerate(contours2):similarity = cv2.matchShapes(contours1[0], contour, cv2.CONTOURS_MATCH_I2, 0)print(f"轮廓 {i} 的相似度: {similarity}")

如果相似度小于阈值，则认为匹配if similarity < 0.1:cv2.drawContours(img2, [contour], -1, (0, 255, 0), 3)

显示结果 cv2.imshow("Match Result", img2) cv2.waitKey(0) cv2.destroyAllWindows() ```

总结OpenCV提供了强大的函数来实现轮廓匹配，可以帮助我们在图像中找到特定形状的物体。选择合适的匹配方法和相似度阈值对于获得良好的匹配结果至关重要。