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(cè)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(cè)的圖像——源圖像S

4、工作方法：在檢測(cè)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(guò)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(cè)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(huà)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(cè)圖像
plt.subplot(122), plt.imshow(img, cmap='gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.show()