opencv形状匹配(cv2.matchShape)

这篇具有很好参考价值的文章主要介绍了opencv形状匹配(cv2.matchShape)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

"""
21.4.3-形状匹配.py:
函数 cv2.matchShape() 可以帮我们比 两个形状或 廓的相似度。
如果返回值越小, 匹配越好。它是根据 Hu 矩来计算的。
#Hu 矩是归一化中心矩的线性组合
# 之所以这样做是为了能够获取 代表图像的某个特征的矩函数
# 这些矩函数对某些变化如缩放 ,旋转,镜像映射( 除了 h1)具有不变形。
"""
import cv2
import numpy as np
img1 = cv2.imread('hh.png', 0)
img=img1.copy()

ret, thresh = cv2.threshold(img1, 127, 255, 0)

contours, hierarchy = cv2.findContours(thresh, 2, 1)

area=[]
for k in range(len(contours)):
    area.append(cv2.contourArea(contours[k]))
##排序后返回原来的位置
area=np.argsort(area)

#绘制轮廓
cv2.drawContours(img1,contours[area[-1]],-1,(255,0,0),3)
cv2.drawContours(img1,contours[area[-2]],-1,(0,255,0),3)
cv2.drawContours(img1,contours[area[-3]],-1,(0,0,255),3)
#绘制轮廓的边界矩形
x,y,w,h=cv2.boundingRect(contours[area[-1]])
print('轮廓1',cv2.contourArea(contours[area[-1]]))
img1=cv2.rectangle(img1,(x,y),(x+w,y+h),(255,25,99),2)
cv2.imshow('img1',img1)
x,y,w,h=cv2.boundingRect(contours[area[-2]])
print('轮廓2',cv2.contourArea(contours[area[-2]]))
img1=cv2.rectangle(img1,(x,y),(x+w,y+h),(220,255,255),2)
cv2.imshow('img2',img1)
x,y,w,h=cv2.boundingRect(contours[area[-3]])
print('轮廓3',cv2.contourArea(contours[area[-3]]))
img1=cv2.rectangle(img1,(x,y),(x+w,y+h),(255,25,255),2)
cv2.imshow('img3',img1)
print('轮廓的个数',len(contours))
print('轮廓1和轮廓1',cv2.matchShapes(contours[area[-1]], contours[area[-1]], 1, 0.0))
print('轮廓1和轮廓2',cv2.matchShapes(contours[area[-1]], contours[area[-2]], 1, 0.0))
print('轮廓1和轮廓3',cv2.matchShapes(contours[area[-1]], contours[area[-3]], 1, 0.0))
# cv2.imshow('img4',img1)
# cv2.imshow('img5',img)
cv2.waitKey()

opencv形状匹配,opencv,计算机视觉,python

 opencv形状匹配,opencv,计算机视觉,python

 文章来源地址https://www.toymoban.com/news/detail-631239.html

到了这里,关于opencv形状匹配(cv2.matchShape)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • OpenCV笔记:模板匹配 cv2.matchTemplate()、cv2.minMaxLoc() 与 绘制矩形 cv2.rectangle() 方法介绍

            模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。绘制矩形是用来将模版图像的匹配结果展示出来的方法。         模板匹配实现简单(2~3行代码),计算效率高,不需要执行阈值化、边缘检测等操作来生成二值化图像。 但是: 如果输入图像中存

    2024年02月04日
    浏览(48)
  • OpenCV 笔记:cv2.matchTemplate() 单模板匹配和多模板匹配

            模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。         模板匹配实现简单(2~3行代码),计算效率高,不需要执行阈值化、边缘检测等操作来生成二值化图像。 但是: 如果输入图像中存在变化的因素,包括旋转、缩放、视角变化等,模板匹配很容

    2024年02月05日
    浏览(45)
  • opencv基础57-模板匹配cv2.matchTemplate()->(目标检测、图像识别、特征提取)

    OpenCV 提供了模板匹配(Template Matching)的功能,它允许你在图像中寻找特定模板(小图像)在目标图像中的匹配位置。模板匹配在计算机视觉中用于目标检测、图像识别、特征提取等领域。 以下是 OpenCV 中使用模板匹配的基本步骤: 加载图像 : 首先,加载目标图像和要匹配

    2024年02月13日
    浏览(43)
  • 【计算机视觉|人脸建模】学习从4D扫描中获取的面部形状和表情的模型

    本系列博文为深度学习/计算机视觉论文笔记,转载请注明出处 标题: Learning a model of facial shape and expression from 4D scans 链接:Learning a model of facial shape and expression from 4D scans | ACM Transactions on Graphics Permission to make digital or hard copies of part or all of this work for personal or classroom use is

    2024年02月07日
    浏览(54)
  • 【计算机视觉|人脸建模】学习从图像中回归3D面部形状和表情而无需3D监督

    本系列博文为深度学习/计算机视觉论文笔记,转载请注明出处 标题: Learning to Regress 3D Face Shape and Expression from an Image without 3D Supervision 链接:[1905.06817] Learning to Regress 3D Face Shape and Expression from an Image without 3D Supervision (arxiv.org) 从单张图像估计3D面部形状必须对光照、头部姿势

    2024年02月07日
    浏览(55)
  • 计算机视觉(CV)技术的优势

    计算机视觉(CV)技术的优势: 1. 自动化任务:计算机视觉技术可以自动执行一系列视觉任务,如图像分类、目标检测和识别等,从而实现任务的自动化。 2. 高速处理:计算机视觉技术可以在短时间内处理大量的图像和视频数据,实现快速的分析和决策。 3. 准确性:相对于

    2024年01月22日
    浏览(71)
  • 计算机视觉:特征提取与匹配

    目录 1. 特征提取和匹配 1.1 背景知识 1.2 特征匹配基本流程 1.3 局部特征描述子 2. Harris角点检测  2.1 角点(corner points) 2.2 HARRIS角点检测基本思想 2.3 HARRIS检测:数学表达 2.4 角点响应函数 2.5 编程实现 2.5.1 角点检测代码实现  2.5.2 角点检测数据测试 3.  SIFT特征匹配算法

    2024年02月06日
    浏览(41)
  • 计算机视觉 – Computer Vision | CV

    人的大脑皮层, 有差不多 70% 都是在处理视觉信息。 是人类获取信息最主要的渠道,没有之一。 在网络世界,照片和视频(图像的集合)也正在发生爆炸式的增长! 下图是网络上新增数据的占比趋势图。灰色是结构化数据,蓝色是非结构化数据(大部分都是图像和视频)。

    2024年02月11日
    浏览(37)
  • 计算机视觉(CV)技术的优势和挑战

    目录 计算机视觉(CV)技术的优势和挑战 优势: 挑战: 计算机视觉(CV)技术是一种利用计算机和算法来实现对图像和视频的分析、处理和理解的技术。为了应对图像多样性,计算机视觉技术可以采用数据增强、迁移学习、复杂模型、多尺度处理、领域自适应和合成数据等

    2024年02月09日
    浏览(38)
  • 动手学CV-Pytorch计算机视觉 天池计算机视觉入门赛SVHN数据集实战

    这里我们以datawhale和天池合作的天池计算机视觉入门赛为例,通过案例实战来进一步巩固本章所介绍的图像分类知识。 该比赛以SVHN街道字符为赛题数据,数据集报名后可见并可下载,该数据来

    2024年02月04日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包