opencv-python 二值图像的模板匹配实现

之前写过如何获得一个指静脉的二值化特征图像，传送门：opencv-python 用Gabor滤波器实现指静脉血管区域二值化纹理特征提取

然后这篇文章记录我是如何来做特征模板匹配的。

匹配评分原理：

原理：根据上述二值纹理特征提取方法，获取手指静脉纹路的二值

纹理图像将已注册图像的 ROI 区域与待认证图片的 ROI 区域均采用二值纹理特征提取方法获得两张纹理前景图像，然后计算两张纹理前景图像的交集（重叠）像素点数与两张纹理前景图像的并集像素点数之比，这个比值即为两张图像的匹配分数。

但是在匹配过程中，为了使得模板同类图片（同一手指图片）在匹配中得到更高的分数，同时让其他类图片的分数（相对）更小。我自己设计了基于像素对比的另外一种方法：用模板和待认证图片的交集比上模板的非运算和待认证图片的交集。用式子表示为：

尺寸匹配：

要对得到的ROI区域二值特征进行逐个像素的比对，必须使得输入的待匹配图片和原来的图像尺寸一致。在opencv中，可以采用：

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

我选择的是最近邻插值法（cv.INTER_NEAREST），原因很简单：因为参与对比的图片都是0，255的二值图像，如果采用双线性插值法，将会计算出其他的像素值，这不便于后期的处理。

开始匹配：

接下来就很简单了，无非是bitwise_or()和bitwise_and()和，由于图片中的像素值都是255，直接用 img.sum()/255就可以知道图片里面有多少个非零像素了。这里贴一下我的代码和效果：

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：

（感觉之前基于Gabor的二值特征提取还是做的太粗糙了！！）

点个赞噢亲~