之前寫過如何獲得一個指靜脈的二值化特征圖像，傳送門：opencv-python 用Gabor濾波器實現指靜脈血管區域二值化紋理特征提取

然后這篇文章記錄我是如何來做特征模板匹配的。

匹配評分原理：

原理：根據上述二值紋理特征提取方法，獲取手指靜脈紋路的二值

紋理圖像將已注冊圖像的 ROI 區域與待認證圖片的 ROI 區域均采用二值紋理特征提取方法獲得兩張紋理前景圖像，然后計算兩張紋理前景圖像的交集（重疊）像素點數與兩張紋理前景圖像的并集像素點數之比，這個比值即為兩張圖像的匹配分數。

但是在匹配過程中，為了使得模板同類圖片（同一手指圖片）在匹配中得到更高的分數，同時讓其他類圖片的分數（相對）更小。我自己設計了基于像素對比的另外一種方法：用模板和待認證圖片的交集比上模板的非運算和待認證圖片的交集。用式子表示為：

?

尺寸匹配：

要對得到的ROI區域二值特征進行逐個像素的比對，必須使得輸入的待匹配圖片和原來的圖像尺寸一致。在opencv中，可以采用：

Dst=cv.resize(Src,(cols,rows),0,0,interpolation=cv.INTER_NEAREST)

我選擇的是最近鄰插值法（cv.INTER_NEAREST），原因很簡單：因為參與對比的圖片都是0，255的二值圖像，如果采用雙線性插值法，將會計算出其他的像素值，這不便于后期的處理。

開始匹配：

接下來就很簡單了，無非是bitwise_or()和bitwise_and()和，由于圖片中的像素值都是255，直接用 img.sum()/255就可以知道圖片里面有多少個非零像素了。這里貼一下我的代碼和效果：

def bf_match(template,bf1): # template is template,bf1 is the test image,they are both binary feature(0 or 255)rows,cols=template.shapeinv_template=cv.bitwise_not(template)#plt.imshow(inv_template);plt.show()bf1=cv.resize(bf1,(cols,rows),0,0,interpolation=cv.INTER_NEAREST)and_img=cv.bitwise_and(template,bf1)#or_img=cv.bitwise_or(template,bf1)and_inv_img=cv.bitwise_and(inv_template,bf1)#result=result_img.sum()/or_img.sum()result=and_img.sum()/and_inv_img.sum()plt.imshow(and_img)plt.show()return result

效果如下：

?（感覺之前基于Gabor的二值特征提取還是做的太粗糙了！！）

?

點個贊噢親~

?

總結

以上是生活随笔為你收集整理的opencv-python 二值图像的模板匹配实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。