用OpenCV快速定位目标图片，你get了吗？

用OpenCV快速定位目标图片，你get了吗？

引用

CSDN

等

9

来源

1.

https://blog.csdn.net/youcans/article/details/121382552

2.

https://wenku.csdn.net/column/3een9waqfk

3.

https://blog.csdn.net/youcans/article/details/134487182

4.

https://blog.csdn.net/weixin_41869763/article/details/104426416

5.

https://woshicver.com/

6.

https://woshicver.com/SecondSection/1_1_OpenCV-Python%E6%95%99%E7%A8%8B%E7%AE%80%E4%BB%8B/

7.

https://woshicver.com/FirstSection/0_OpenCV-Python%20Tutorials/

8.

https://www.cnblogs.com/jsxyhelu/p/16947785.html

9.

https://www.cnblogs.com/luohenyueji/p/16970324.html

在计算机视觉领域，OpenCV（Open Source Computer Vision Library）是一个不可或缺的工具库，它提供了丰富的图像处理和计算机视觉算法，广泛应用于图像识别、目标检测、视频分析等场景。本文将重点介绍如何使用OpenCV进行目标图片的快速定位，特别是通过投影变换和模板匹配技术实现精准定位。

图像投影变换技术

投影变换（Projective mapping）也称为透视变换（Perspective transformation），它建立两个平面场之间的对应关系，将图片投影到一个新的视平面（Viewing plane）。OpenCV提供了cv2.warpPerspective函数来实现这一操作。

函数说明：

cv2.getPerspectiveTransform(src, dst[,solveMethod]) → MP
cv2.warpPerspective(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) → dst

• src：变换前图像四边形顶点坐标
• dst：变换后图像四边形顶点坐标
• solveMethod：矩阵分解方法，传递给cv2.solve求解变换矩阵MP
• MP：透视变换矩阵，3行3列
• dsize：输出图像的大小，二元元组(width, height)
• dst：变换操作的输出图像，可选项
• flags：插值方法，整型（int），可选项
• borderMode：边界像素方法，整型（int），可选项，默认值为cv2.BORDER_REFLECT
• borderValue：边界填充模式，可选项，默认值为0（黑色填充）

基本例程：

# 1.43 投影变换 (Projective mapping)
img = cv2.imread("../images/imgB2.jpg")  # 读取彩色图像(BGR)
h, w = img.shape[:2]  # 图片的高度和宽度

pointSrc = np.float32([[0,0], [w-1,0], [0,h-100], [w-1, h-100]])  # 原始图像中 4点坐标
pointDst = np.float32([[180,50], [w-180,50], [0,h-100], [w-1, h-100]])  # 变换图像中 4点坐标
MP = cv2.getPerspectiveTransform(pointSrc, pointDst)  # 计算投影变换矩阵 M
imgP = cv2.warpPerspective(img, MP, (512, 512))  # 用变换矩阵 M 进行投影变换

plt.figure(figsize=(9,6))
plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title("Original")
plt.subplot(122), plt.imshow(cv2.cvtColor(imgP, cv2.COLOR_BGR2RGB)), plt.title("Projective")
plt.show()

模板匹配实战案例

模板匹配是一种在目标图像中查找与给定模板图像相似区域的技术。OpenCV提供了多种模板匹配算法，包括相关性系数匹配、平方差匹配等。

模板匹配函数：

cv2.matchTemplate(image, template, method)

• image：目标图像
• template：模板图像
• method：模板匹配算法，可选值包括CV_TM_CCORR、CV_TM_SQDIFF、CV_TM_CCOEFF、CV_TM_SQDIFF_NORMED

实现步骤：

1. 图像预处理：对模板图像和目标图像进行预处理，增强特征。常用的预处理方法包括灰度化、高斯滤波等。
2. 模板匹配：使用matchTemplate函数进行模板匹配，得到相似度图。
3. 阈值处理：对相似度图进行阈值处理，过滤掉低相似度的匹配结果。
4. 查找匹配点：使用minMaxLoc函数查找相似度图中的最大值及其位置，即匹配点。
5. 绘制匹配结果：在目标图像上绘制匹配点或匹配区域。

代码示例：

import cv2
import numpy as np

# 加载模板图像和目标图像
template = cv2.imread('template.jpg', cv2.IMREAD_GRAYSCALE)
target = cv2.imread('target.jpg', cv2.IMREAD_GRAYSCALE)

# 图像预处理
template = cv2.GaussianBlur(template, (5, 5), 0)
target = cv2.GaussianBlur(target, (5, 5), 0)

# 模板匹配
result = cv2.matchTemplate(target, template, cv2.TM_CCOEFF_NORMED)

# 阈值处理
threshold = 0.8
loc = np.where(result >= threshold)

# 绘制匹配结果
for pt in zip(*loc[::-1]):
    cv2.rectangle(target, pt, (pt[0] + template.shape[1], pt[1] + template.shape[0]), (0, 255, 0), 2)

cv2.imshow('Result', target)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

OpenCV通过投影变换和模板匹配等技术，为图像处理和目标定位提供了强大的工具。这些技术不仅在OCR字符识别中发挥重要作用，还能在自动化测试中提升元素控件的定位速度和准确性。掌握这些技术，能够帮助开发者更高效地完成图像处理任务。