怎样在绍兴e网做网站/网络舆情分析报告
Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。
Python OpenCV
- 基础知识铺垫
- 模板匹配
- 模板匹配函数原型
- minMaxLoc 函数
- 补一个 cv2.normalize
- 橡皮擦的小节
基础知识铺垫
今天的 1 个小时，我们要交给模板匹配了，而且学习起来比较轻松，因为我看到一句话，模板匹配是最没用的匹配方式，应用场景很少。
就喜欢这样的技术，学起来的摩擦力小，不容易掉头发。
模板匹配
模板匹配大意就是在整个图像区域寻找已有的小图像，在寻找之前，你需要准备一个待寻找的图像，以及一个小图
寻找的形式是从左到右，从上到下，这个找法很形象了，一行一行的找。
在寻找的过程中，通过 OpenCV 封装好的算法，计算小图与大图的匹配度，这个匹配度越大，两张图片相同的可能性越大。
模板匹配函数原型
在 Python 中，通过 help 函数，可以查看任意函数的说明。
matchTemplate(image, templ, method[, result[, mask]]) -> result
参数说明如下：
- image：待检索的图像；
- templ：小图，要求不大于待搜索图像；
- method：匹配方法，下表提供，算法不需要掌握，知道用法即可；
- result：结果图像；
- mask：掩膜，需要与 templ 有相同的数据类型和大小，默认不设置，仅支持 method 参数值为 TM_SQDIFF 和 TM_CCORR_NORMED
关于 method 参数的值有以下几种情况：
- TM_SQDIFF：平方差匹配；
- TM_SQDIFF_NORMED：标准平方差匹配，利用平方差来进行匹配，最好匹配为 0，匹配越差，匹配值越大；
- TM_CCORR：相关性匹配；
- TM_CCORR_NORMED：标准相关性匹配，采用模板和图像间的乘法操作，数越大表示匹配程度较高, 0 表示最坏的匹配效果；
- TM_CCOEFF：相关性系数匹配；
- TM_CCOEFF_NORMED：标准相关性系数匹配，将模版对其均值的相对值与图像对其均值的相关值进行匹配，1 表示完美匹配，-1 表示糟糕的匹配，0 表示没有任何相关性(随机序列)。
以上内容整理自网络
接下来编写测试代码：
import cv2 as cv# 读取目标图片，小图
target = cv.imread("./target.jpg")# 读取模板图片，待查找的图片
template = cv.imread("./template.jpg")# 获取模板图片的宽高尺寸，用于后面画矩形框
th, tw = template.shape[:2]# 执行匹配模板，匹配方式选择标准平方差匹配
result = cv.matchTemplate(target, template, cv.TM_SQDIFF_NORMED)# 输出匹配结果
print(type(result))
cv.imshow("image", result)
cv.waitKey()
注意下图中，最终匹配到的区域颜色最深。
下面我们将其标记出来，需要用到一个新的函数，具体如下。
minMaxLoc 函数
该函数是在给定的矩阵中寻找最大值和最小值，并给出它们的位置。
特别说明是如果需要在所有的通道中查找最小或者最大元素，要先将矩阵重新解释为单通道，好吧，引出归一化的概念了。
那我们先把这个函数学到收，之后在把归一化的函数补充上。
函数原型如下：
minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc
原型比较简单，输入一个图像之后，可以返回 4 个值。
这 4 个值分别是，最大值，最小值以及最大值与最小值的位置。
上文我们使用的是 cv.TM_SQDIFF_NORMED 方法，按照上面的叙述，匹配值最小越好，所以需要获取一下图像的最小值位置。
修改上文代码如下：
import cv2 as cv# 读取目标图片，小图
target = cv.imread("./target.jpg")
# cv.imshow("target", target)# 读取模板图片，待查找的图片
template = cv.imread("./template.jpg")
# cv.imshow("template", template)# 获取模板图片的宽高尺寸，用于后面画矩形框
th, tw = template.shape[:2]# 执行匹配模板，匹配方式选择标准平方差匹配
result = cv.matchTemplate(target, template, cv.TM_SQDIFF_NORMED)# 获取最小值位置
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
tl = min_loc
print(tl)
# 通过模板的宽和高，找到匹配最好的右下角地方
# tl[0],tl[1]分别代表最佳匹配值地方的 x 和 y
br = (tl[0]+tw, tl[1]+th)
cv.rectangle(target, tl, br, (0,0,255),2)
# 输出匹配结果cv.imshow("image", target)
cv.waitKey()
最终运行效果如下，匹配成功。
其他的 method你自行测试吧。
补一个 cv2.normalize
学习新的函数，先把概念通读，尝试理解，理解不要在降格到应用。
归一化就是把待处理的数据进行处理，这里的处理就是某种算法了，然后将数据限制在一个范围内（范围由我们自己定义）
归一化之后，数据会变得更加有可比性，具体原因还未找到可靠资料。
函数原型如下：
dst = cv2.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]])
参数说明：
- src：输入数组；
- dst：与 src 大小相同的输出数组；
- alpha：如果 norm_type 为 NORM_MINMAX ，则 alpha 为最小值或最大值，如果 norm_type 为其他类型，则为归一化要乘的系数；
- beta：如果 norm_type 为 NORM_MINMAX ，则 beta 为最小值或最大值，如果 norm_type 为其他类型，beta 被忽略，此处不会被用到，一般传入 0；
- norm_type：归一化类型，常见的有 NORM_L1, NORM_L2, NORM_INF, NORM_MINMAX；
- dtype：如果取负值时，dst 与 src 同样的类型，否则，dst 和 src 有同样的通道数，且此时图像深度为 CV_MAT_DEPTH(dtype)；
- mask：掩膜。
应用起来比较简单，例如本篇博客中的案例，只需要增加如下代码即可。
# 归一化处理
cv.normalize(result, result, 0, 1, cv.NORM_MINMAX, -1)
橡皮擦的小节
希望今天的 1 个小时，你有所收获，我们下篇博客见~
相关阅读
技术专栏
- Python 爬虫 100 例教程，超棒的爬虫教程，立即订阅吧
- Python 爬虫小课，精彩 9 讲
逗趣程序员
- 曝光，程序员的 10 个摸鱼神器
- 5 个无聊 Python 程序，用 Python 整蛊你的朋友们吧
- 10 年老程序员教你甩锅必杀技，论【如何优雅的甩锅】
- 你想被开除吗？来看看程序员【离职小技巧】吧
今天是持续写作的第 70 / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。
如果你想跟博主建立亲密关系，可以关注同名公众号 梦想橡皮擦，近距离接触一个逗趣的互联网高级网虫。
博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。