欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Opencv+Python識(shí)別PCB板圖片的步驟

 更新時(shí)間:2021年01月07日 16:29:42   作者:X_peng  
這篇文章主要介紹了Opencv+Python識(shí)別PCB板圖片的步驟,幫助大家更好的理解和使用python進(jìn)行機(jī)器學(xué)習(xí),感興趣的朋友可以了解下

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

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

    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(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-09-09
  • 淺談python編譯pyc工程--導(dǎo)包問題解決

    淺談python編譯pyc工程--導(dǎo)包問題解決

    這篇文章主要介紹了python編譯pyc工程--導(dǎo)包問題解決,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-03-03
  • Python3中延時(shí)變量和 free_list鏈表的區(qū)別解析

    Python3中延時(shí)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(shí)變量和 free_list鏈表的區(qū)別,在Python3中,"延時(shí)變量" 和 "free_list鏈表" 是兩個(gè)不同的概念,他們之間沒有直接聯(lián)系,本文給實(shí)例相結(jié)合給大家講解的非常詳細(xì),需要的朋友可以參考下
    2023-04-04
  • 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】

    這篇文章主要介紹了Python數(shù)據(jù)結(jié)構(gòu)與算法之常見的分配排序法,結(jié)合實(shí)例形式分析了桶排序與基數(shù)排序的相關(guān)原理及實(shí)現(xiàn)技巧,需要的朋友可以參考下
    2017-12-12
  • Python基礎(chǔ)之python循環(huán)控制語句break/continue詳解

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

    Python中提供了兩個(gè)關(guān)鍵字用來控制循環(huán)語句,分別是break和continue,接下來通過兩個(gè)案例來區(qū)分這兩個(gè)控制語句的不同,感興趣的朋友一起看看吧
    2021-09-09
  • python子線程如何有序執(zhí)行

    python子線程如何有序執(zhí)行

    最近在寫一個(gè)項(xiàng)目,需要用到子線程,那么python子線程如何有序執(zhí)行,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2021-05-05
  • 最新評(píng)論