Search for all templates using scikit-image
我正在尝试遵循SciKit Image关于模板匹配的教程(请在此处检查)。
。
仅使用这个例子，我想在图片中找到所有匹配的硬币(马克西玛)，而不仅仅是这一个得分最高的硬币。我在考虑使用：
1 | maxima = argrelextrema(result, np.greater) |
但问题是它也发现了非常小的局部极大值，这只是一个噪音。有没有任何方法来筛选numpy数组并找到最强的maxima？谢谢！
为了找到所有的硬币，文件建议"…你应该使用一个合适的寻峰功能。"最简单的可能是
文件中还讨论了关于位移峰值的第二条评论。
"请注意，match_模板输出中的峰值对应于模板的原点(即左上角)。"
您可以手动更正(通过模板边长转换峰值)，也可以将
将这两个位组合成一个脚本，我们得到如下结果：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | import numpy as np import matplotlib.pyplot as plt from skimage import data from skimage.feature import match_template from skimage.feature import peak_local_max # new import! image = data.coins() coin = image[170:220, 75:130] result = match_template(image, coin,pad_input=True) #added the pad_input bool peaks = peak_local_max(result,min_distance=10,threshold_rel=0.5) # find our peaks # produce a plot equivalent to the one in the docs plt.imshow(result) # highlight matched regions (plural) plt.plot(peaks[:,1], peaks[:,0], 'o', markeredgecolor='r', markerfacecolor='none', markersize=10) |
氧化镁
我一直在挖掘并找到一些解决方案，但不幸的是，我不确定我是否知道脚本中到底做了什么。我对这里的脚本做了一些修改：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 | neighborhood_size = 20 #how many pixels threshold = 0.01 #threshold of maxima? data_max = filters.maximum_filter(result, neighborhood_size) maxima = (result == data_max) data_min = filters.minimum_filter(result, neighborhood_size) diff = ((data_max - data_min) > threshold) maxima[diff == 0] = 0 x_image,y_image = [], [] temp_size = coin.shape[0] labeled, num_objects = ndimage.label(maxima) slices = ndimage.find_objects(labeled) x, y = [], [] for dy,dx in slices: x_center = (dx.start + dx.stop - 1)/2 x.append(x_center) y_center = (dy.start + dy.stop - 1)/2 y.append(y_center) fig, (raw,found) = plt.subplots(1,2) raw.imshow(image,cmap=plt.cm.gray) raw.set_axis_off() found.imshow(result) found.autoscale(False) found.set_axis_off() plt.plot(x,y, 'ro') plt.show() |
这样做：
。
我还意识到，与原始图像相比，发现的峰的坐标发生了偏移。我认为差异来自模板大小。我会在发现更多信息时更新。
编辑：通过轻微的代码修改，我还可以在输入图像上找到位置：
1 2 3 4 | x_image_center = (dx.start + dx.stop - 1 + temp_size) / 2 x_image.append(x_image_center) y_image_center = (dy.start + dy.stop - 1 + temp_size) / 2 y_image.append(y_image_center) |
号
氧化镁