Opencv+Python識(shí)別PCB板圖片的步驟
任務(wù)要求:
基于模板匹配算法識(shí)別PCB板型號(hào)
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(shí)別方法,研究某一特定對(duì)象物的圖案位于圖像的什么地方,進(jìn)而識(shí)別對(duì)象物,模板匹配具有自身的局限性,主要表現(xiàn)在它只能進(jìn)行平行移動(dòng),即原圖像中的匹配目標(biāo)不能發(fā)生旋轉(zhuǎn)或大小變化。
事先準(zhǔn)備好待檢測PCB與其對(duì)應(yīng)的模板:
子模版:
基本流程如下:
1、在整個(gè)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(gè)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(jì)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(guān)匹配法CV_TM_CCORR;
歸一化相關(guān)匹配法CV_TM_CCORR_NORMED;
相關(guān)系數(shù)匹配法CV_TM_CCOEFF;
歸一化相關(guān)系數(shù)匹配法CV_TM_CCOEFF_NORMED;
后面經(jīng)過實(shí)驗(yàn),我們主要是從以上的六種中選擇了歸一化相關(guān)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(guān)系數(shù)匹配方法 res1=cv2.matchTemplate(img, template1, cv2.TM_CCOEFF_NORMED) res2=cv2.matchTemplate(......) #提取相關(guān)系數(shù) min_val1, max_val1, min_loc1, max_loc1 =cv2.minMaxLoc(res1) min_val2, ...... #相關(guān)系數(shù)對(duì)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(guān)系數(shù)得出對(duì)應(yīng)匹配程度最高的模板 h, w = template[j].shape[:2] # 計(jì)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(shí)驗(yàn)結(jié)果:
需要完整代碼以及圖片素材的,請留下評(píng)論可與博主進(jìn)行聯(lián)系。
以上就是Opencv+Python識(shí)別PCB板圖片的步驟的詳細(xì)內(nèi)容,更多關(guān)于Opencv+Python識(shí)別PCB板的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
python實(shí)現(xiàn)的分析并統(tǒng)計(jì)nginx日志數(shù)據(jù)功能示例
這篇文章主要介紹了python實(shí)現(xiàn)的分析并統(tǒng)計(jì)nginx日志數(shù)據(jù)功能,結(jié)合實(shí)例形式分析了Python針對(duì)nginx日志ip、訪問url、狀態(tài)等數(shù)據(jù)的相關(guān)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(shí)現(xiàn)五子棋-(人機(jī)對(duì)戰(zhàn))
這篇文章主要為大家詳細(xì)介紹了如何利用Python實(shí)現(xiàn)五子棋游戲(人機(jī)對(duì)戰(zhàn)版),文中的示例代碼講解詳細(xì),感興趣的小伙伴可以了解一下2022-05-05

解讀pandas交叉表與透視表pd.crosstab()和pd.pivot_table()函數(shù)

Python3中延時(shí)變量和 free_list鏈表的區(qū)別解析

Python數(shù)據(jù)結(jié)構(gòu)與算法之常見的分配排序法示例【桶排序與基數(shù)排序】

Python基礎(chǔ)之python循環(huán)控制語句break/continue詳解