Opencv+Python識別PCB板圖片的步驟
任務要求:
基于模板匹配算法識別PCB板型號
使用工具:
Python3、OpenCV
使用模板匹配算法,模板匹配是一種最原始、最基本的模式識別方法,研究某一特定對象物的圖案位于圖像的什么地方,進而識別對象物,模板匹配具有自身的局限性,主要表現(xiàn)在它只能進行平行移動,即原圖像中的匹配目標不能發(fā)生旋轉或大小變化。
事先準備好待檢測PCB與其對應的模板:
子模版:
基本流程如下:
1、在整個圖像區(qū)域發(fā)現(xiàn)與給定子圖像匹配的小塊區(qū)域
2、選取模板圖像T(給定的子圖像)
3、另外需要一個待檢測的圖像——源圖像S
4、工作方法:在檢測圖像上,從左到右,從上到下計算模板圖像與重疊, 子圖像的匹配度,匹配程度越大,兩者相同的可能性就越大。
OpenCV提供了6種模板匹配算法:
平方差匹配法CV_TM_SQDIFF;
歸一化平方差匹配法CV_TM_SQDIFF_NORMED;
相關匹配法CV_TM_CCORR;
歸一化相關匹配法CV_TM_CCORR_NORMED;
相關系數(shù)匹配法CV_TM_CCOEFF;
歸一化相關系數(shù)匹配法CV_TM_CCOEFF_NORMED;
后面經(jīng)過實驗,我們主要是從以上的六種中選擇了歸一化相關系數(shù)匹配法CV_TM_CCOEFF_NORMED,基本原理公式為:
代碼部分展示:
import cv2 import numpy as np from matplotlib import pyplot as plt #讀取檢測圖像 img = cv2.imread('img8.bmp', 0) #讀取模板圖像 template1=cv2.imread('moban1.bmp', 0) template2=...... #建立模板列表 template=[template1,template2,template3,template4] # 模板匹配:歸一化相關系數(shù)匹配方法 res1=cv2.matchTemplate(img, template1, cv2.TM_CCOEFF_NORMED) res2=cv2.matchTemplate(......) #提取相關系數(shù) min_val1, max_val1, min_loc1, max_loc1 =cv2.minMaxLoc(res1) min_val2, ...... #相關系數(shù)對比(max_val),越接近1,匹配程度越高 max_val=[1-max_val1,1-max_val2,1-max_val3,1-max_val4] j=max_val.index(min(max_val)) #根據(jù)提取的相關系數(shù)得出對應匹配程度最高的模板 h, w = template[j].shape[:2] # 計算模板圖像的高和寬 rows->h, cols->w pes=cv2.matchTemplate(img, template[j], cv2.TM_CCOEFF_NORMED) #模板匹配 in_val, ax_val, in_loc, ax_loc =cv2.minMaxLoc(pes) #在原圖中框出模板匹配的位置 left_top = ax_loc # 左上角 right_bottom = (left_top[0] + w, left_top[1] + h) # 右下角 cv2.rectangle(img, left_top, right_bottom, 255, 2) # 畫出矩形位置 #繪制模板圖像 plt.subplot(121), plt.imshow(template[j], cmap='gray') plt.title('pcb type'),plt.xticks([]), plt.yticks([]) #繪制檢測圖像 plt.subplot(122), plt.imshow(img, cmap='gray') plt.title('img'), plt.xticks([]), plt.yticks([]) plt.show()
實驗結果:
需要完整代碼以及圖片素材的,請留下評論可與博主進行聯(lián)系。
以上就是Opencv+Python識別PCB板圖片的步驟的詳細內(nèi)容,更多關于Opencv+Python識別PCB板的資料請關注腳本之家其它相關文章!
相關文章
python實現(xiàn)的分析并統(tǒng)計nginx日志數(shù)據(jù)功能示例
這篇文章主要介紹了python實現(xiàn)的分析并統(tǒng)計nginx日志數(shù)據(jù)功能,結合實例形式分析了Python針對nginx日志ip、訪問url、狀態(tài)等數(shù)據(jù)的相關讀取、解析操作技巧,需要的朋友可以參考下2019-12-12基于Python實現(xiàn)五子棋-(人機對戰(zhàn))
這篇文章主要為大家詳細介紹了如何利用Python實現(xiàn)五子棋游戲(人機對戰(zhàn)版),文中的示例代碼講解詳細,感興趣的小伙伴可以了解一下2022-05-05python PyQt實現(xiàn)的手寫電子簽名程序實例探究
在本文中,我們將探討如何利用Python以及開源工具來實現(xiàn)手寫電子簽名的功能,通過本文,您將能夠了解到手寫電子簽名的實現(xiàn)方式,并可以在自己的應用程序中應用這一功能2023-12-12解讀pandas交叉表與透視表pd.crosstab()和pd.pivot_table()函數(shù)
這篇文章主要介紹了pandas交叉表與透視表pd.crosstab()和pd.pivot_table()函數(shù)的用法,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09Python3中延時變量和 free_list鏈表的區(qū)別解析
這篇文章主要介紹了Python3中延時變量和 free_list鏈表的區(qū)別,在Python3中,"延時變量" 和 "free_list鏈表" 是兩個不同的概念,他們之間沒有直接聯(lián)系,本文給實例相結合給大家講解的非常詳細,需要的朋友可以參考下2023-04-04Python數(shù)據(jù)結構與算法之常見的分配排序法示例【桶排序與基數(shù)排序】
這篇文章主要介紹了Python數(shù)據(jù)結構與算法之常見的分配排序法,結合實例形式分析了桶排序與基數(shù)排序的相關原理及實現(xiàn)技巧,需要的朋友可以參考下2017-12-12Python基礎之python循環(huán)控制語句break/continue詳解
Python中提供了兩個關鍵字用來控制循環(huán)語句,分別是break和continue,接下來通過兩個案例來區(qū)分這兩個控制語句的不同,感興趣的朋友一起看看吧2021-09-09