我们使用 cv2.matchShapes() 函数来匹配两个图像形状。该函数返回一个度量标准，显示图像形状之间的相似性。该函数使用Hu矩来计算度量值。度量值越低，图像形状之间的相似性就越高。
在以下示例中，我们将匹配来自不同图像的形状以及单个图像中的形状。
语法
我们使用以下语法来匹配两个图像形状-
ret = cv2.matchShapes(cnt1,cnt1,1,0.0)
其中，
cnt1 - 第一个图像形状的轮廓点 cnt2 - 第二个图像形状的轮廓点
步骤
您可以使用以下步骤来匹配两个图像形状-
导入所需的库。在所有以下Python示例中，所需的Python库都是 OpenCV 。请确保您已经安装了它。
import cv2
使用 cv2.imread() 将输入图像作为灰度图像读取。
img1 = cv2.imread（'star.png'，0）
img2 = cv2.imread（'star1.png'，0）
在灰度图像上应用阈值处理，以创建二进制图像。
ret，thresh1 = cv2.threshold（img1，150，255，0 ）
ret，thresh2 = cv2.threshold（img1，150，255，0 ）
在二进制图像中查找形状的轮廓，使用 cv2.findContours() 函数。
contours1，_ = cv2.findContours(thresh1，cv2.RETR_TREE，cv2.CHAIN_APPROX_SIMPLE)
contours2，_ = cv2.findContours(thresh2，cv2.RETR_TREE，cv2.CHAIN_APPROX_SIMPLE)
从每个图像中选择特定的轮廓，并应用形状匹配函数 cv2.matchShapes() 传递所选择的轮廓。
cnt1 = contours1 [0]
cnt2 = contours2 [0]
ret12 = cv2.matchShapes（cnt1，cnt2，1，0.0）
打印结果值，即图像形状匹配度量。值越低，匹配越好。
print("与图像1匹配的图像2："，ret12)
让我们看一些例子，以便更好地理解。
示例1
在此程序中，我们匹配两个图像形状。每个图像都包含一个单一形状。我们还将从每个图像中匹配形状与自身的形状。
# 导入所需库
import cv2
# 读取两幅灰度图像
img1 = cv2.imread('star.png',0)
img2 = cv2.imread('pentagon.png',0)
# 对图像应用阈值处理以转换为二进制图像
ret, thresh1 = cv2.threshold(img1, 127, 255,0)
ret, thresh2 = cv2.threshold(img2, 127, 255,0)
# 在二进制图像中找出轮廓
contours1, hierarchy = cv2.findContours(thresh1,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
print("在第一张图像中检测到的形状数量:",len(contours))
cnt1 = contours1[0]
contours2, hierarchy = cv2.findContours(thresh2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
print("在第二张图像中检测到的形状数量:",len(contours))
cnt2 = contours2[0]
# 计算匹配分数
ret11 = cv2.matchShapes(cnt1,cnt1,1,0.0)
ret22 = cv2.matchShapes(cnt2,cnt2,1,0.0)
ret12 = cv2.matchShapes(cnt1,cnt2,1,0.0)
# 输出匹配分数
print("将第一张图像与自身匹配:", ret11)
print("将第二张图像与自身匹配:", ret22)
print("将第一张图像与第二张图像匹配:", ret12)
将下面的图像视为上述程序中提到的输入图像 ‘ star.png ‘ 和 ‘ pentagon.png ‘。
输出
执行后，上述代码将产生以下输出：
在第一张图像中检测到的形状数量: 1
在第二张图像中检测到的形状数量: 1
将第一张图像与自身匹配: 0.0
将第二张图像与自身匹配: 0.0
将第一张图像与第二张图像匹配: 0.6015851094057714
示例 2
在本程序中，我们匹配图像中的形状。我们检测图像中的三个形状。
import cv2
import numpy as np
img = cv2.imread('convexhull.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,100,255,0)
contours,hierarchy = cv2.findContours(thresh, cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
print("发现的形状数量:",len(contours))
# draw contour and shape number
for i, cnt in enumerate(contours):
M = cv2.moments(cnt)
x1, y1 = cnt[0,0]
img1 = cv2.drawContours(img, [cnt], -1, (0,255,255), 3)
cv2.putText(img1, f'形状:{i+1}', (x1, y1), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
cnt1 = contours[0]
cnt2 = contours[1]
cnt3= contours[2]
ret11 = cv2.matchShapes(cnt1,cnt1,1,0.0)
ret12 = cv2.matchShapes(cnt1,cnt2,1,0.0)
ret23 = cv2.matchShapes(cnt2,cnt3,1,0.0)
ret31 = cv2.matchShapes(cnt3,cnt1,1,0.0)
print("第一种形状与自身的匹配度:", ret11)
print("第一种形状与第二种形状的匹配度:", ret12)
print("第二种形状与第三种形状的匹配度:", ret23)
print("第三种形状与第一种形状的匹配度:", ret31)
cv2.imshow("形状", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
在这个程序中，我们将使用下面的图像和 输入文件 −
输出
执行上述代码后，将产生以下输出−
探测到的形状数量：3
将形状1与其自身匹配：0.0
将形状1与形状2匹配：0.15261042892128207
将形状2与形状3匹配：0.9192709496955178
将形状3与形状1匹配：0.7521097407160106
我们得到以下窗口，显示输出结果 −
基于上述结果，我们得出形状1与形状2更相似，而不是形状3。
为帮助更多对人工智能感兴趣的小伙伴们能够有效的系统性的学习以及论文的研究，小编特意制作整理了一份人工智能学习资料给大家，整理了很久，非常全面。
大致内容包括一些人工智能基础入门视频和文档+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等学习资料、课件源码、国内外知名精华资源、以及AI热门论文等全套学习资料。
需要以上这些文中提到的资料，请点击此处→【人工智能全套完整VIP资料】即可免费获取。
看完三件事❤️
如果你觉得这篇内容对你还蛮有帮助，我想邀请你帮我三个小忙：点赞，转发，有你们的 『点赞和评论』，才是我创造的动力。关注作者公众号 『 python深度学习NLP 』，不定期分享原创知识。关注后回复【666】扫码即可获取学习资料包。同时可以期待后续文章ing。
推荐文章
您阅读本篇文章共花了：
发表评论