QT + Opencv 实现灰度模板匹配

实现思路

1.模板创建代码思路

1 初始化和准备：

使用 cv::buildPyramid 函数构建图像金字塔。图像金字塔是一种多分辨率表示，每个层级的图像分辨率逐步降低。
调整 m_TemplData 的大小以匹配图像金字塔的层级数。
计算每个层级的统计数据：

2遍历图像金字塔的每个层级。

计算当前层级图像的倒数面积 invArea，用于后续的归一化处理。
使用 cv::meanStdDev 函数计算当前层级图像的均值 templMean 和标准差 templSdv。
计算模板图像的归一化范数 templNorm，这是模板图像的归一化标准差的平方和。
检查 templNorm 是否小于 DBL_EPSILON，如果是，表示当前层级图像的方差接近于零，将其标记为 vecResultEqual1 为 true。
计算 templSum2，这是 templNorm 加上均值的平方和，然后除以 invArea。
计算 templNorm 的平方根，并归一化。
将计算得到的 invArea、templMean 和 templNorm 存储到 m_TemplData 中对应的位置。

模板训练代码：

//训练模板
void frmTemplateMatch::LearnPattern(const cv::Mat model, const int num_levels,s_TemplData &m_TemplData)
{qDebug()<<"train mode...";m_TemplData.clear();cv::buildPyramid(model, m_TemplData.vecPyramid, num_levels);int iSize = m_TemplData.vecPyramid.size();m_TemplData.resize(iSize);for (int i = 0; i < iSize; i++){double invArea = 1. / ((double)m_TemplData.vecPyramid[i].rows * m_TemplData.vecPyramid[i].cols);cv::Scalar templMean, templSdv;double templNorm = 0, templSum2 = 0;cv::meanStdDev(m_TemplData.vecPyramid[i], templMean, templSdv);templNorm = templSdv[0] * templSdv[0] + templSdv[1] * templSdv[1] + templSdv[2] * templSdv[2] + templSdv[3] * templSdv[3];if (templNorm < DBL_EPSILON){m_TemplData.vecResultEqual1[i] = true;}templSum2 = templNorm + templMean[0] * templMean[0] + templMean[1] * templMean[1] + templMean[2] * templMean[2] + templMean[3] * templMean[3];templSum2 /= invArea;templNorm = std::sqrt(templNorm);templNorm /= std::sqrt(invArea);m_TemplData.vecInvArea[i] = invArea;m_TemplData.vecTemplMean[i] = templMean;m_TemplData.vecTemplNorm[i] = templNorm;}
//    qDebug()<<"train mode end...";m_TemplData.bIsPatternLearned = true;
}

2.匹配思路

1同样先对原图进行构建金字塔，模板和原图的金字塔层数要一致。

2.角度计算与旋转

计算旋转角度步长dAngleStep，基于模板金字塔某层的尺寸和atan函数得到。初始化角度向量vecAngles，并分别向其中添加从0到angle_start_end以及从-dAngleStep到-angle_start_end的递增角度值。

3.一层一层进行匹配

匹配代码：

int frmTemplateMatch::MatchTemplate(const cv::Mat source, const cv::Mat model, cv::Mat& out_source, const bool use_roi, const MRectangle m_rectangle,  const int num_levels, const int angle_start_end, const int num_matches, const double max_overlap,const double int_score, const bool show_result, const int thickness,s_TemplData pTemplData,vector<s_SingleTargetMatch> &m_vecSingleTargetData)
{if (source.empty() || model.empty() || (model.size().area() > source.size().area())){qDebug()<<"error1";return -1;}if ((model.cols < source.cols && model.rows > source.rows) || (model.cols > source.cols && model.rows < source.rows)){qDebug()<<"error2";return -1;}cv::Mat gray_source, gray_model;if (source.channels() == 3){cv::cvtColor(source, gray_source, cv::COLOR_BGR2GRAY);}else if (source.channels() == 4){cv::cvtColor(source, gray_source, cv::COLOR_RGBA2GRAY);}else{source.copyTo(gray_source);}if (model.channels() == 3){cv::cvtColor(model, gray_model, cv::COLOR_BGR2GRAY | cv::COLOR_RGB2GRAY);}else if (model.channels() == 4){cv::cvtColor(model, gray_model, cv::COLOR_RGBA2GRAY);}else{model.copyTo(gray_model);}// LearnPattern(gray_model, num_levels,pTemplData);qDebug()<<"is traind"<<pTemplData.bIsPatternLearned;vector<cv::Mat> vecMatSrcPyr = vector<cv::Mat>(100);vecMatSrcPyr.clear();cv::buildPyramid(gray_source, vecMatSrcPyr, num_levels);double dAngleStep = atan(2.0 / max(pTemplData.vecPyramid[num_levels].cols, pTemplData.vecPyramid[num_levels].rows)) * R2D;vector<double> vecAngles = vector<double>(360);vecAngles.clear();for (double dAngle = 0; dAngle < angle_start_end + dAngleStep; dAngle += dAngleStep){vecAngles.push_back(dAngle);}for (double dAngle = -dAngleStep; dAngle > -angle_start_end - dAngleStep; dAngle -= dAngleStep){vecAngles.push_back(dAngle);}qDebug()<<"match ----- 1";int iTopSrcW = vecMatSrcPyr[num_levels].cols, iTopSrcH = vecMatSrcPyr[num_levels].rows;cv::Point2f ptCenter((iTopSrcW - 1) / 2.0f, (iTopSrcH - 1) / 2.0f);int iSize = (int)vecAngles.size();vector<s_MatchParameter> vecMatchParameter(iSize * (num_matches + MATCH_CANDIDATE_NUM));vector<double> vecLayerScore(num_levels + 1, int_score);for (int iLayer = 1; iLayer <= num_levels; iLayer++)vecLayerScore[iLayer] = vecLayerScore[iLayer - 1] * 0.9;
#pragma omp parallel for  //并发处理for (int i = 0; i < iSize; i++){