图片处理之模式匹配（match_template）

柔光的暖阳◎ 2022-06-08 02:47 215阅读 0赞

以一张脸部皮肤切片中的毛孔作为研究对象，使用模式匹配寻找到该切片中所有的毛孔

## 1.选取切片，并找到匹配对象 ##

from skimage.feature import match_template

img_gray = cv2.cvtColor(img_o,cv2.COLOR_BGR2GRAY)
    img_kernel = img_gray[255:295,460:500]
    
    plt.subplot(131),plt.imshow(img_o)
    plt.title('original'),plt.xticks([]),plt.yticks([])
    plt.subplot(132),plt.imshow(img_gray,'gray')
    plt.title('gray'),plt.xticks([]),plt.yticks([])
    plt.subplot(133),plt.imshow(img_kernel,'gray')
    plt.title('template'),plt.xticks([]),plt.yticks([])
    plt.show()

![这里写图片描述][SouthEast]

如上图所示，左边图为皮肤切片原图，中间为灰度图，右边为选中的匹配对象

## 2.match\_template ##

result = match_template(img_gray, img_kernel, pad_input=True, mode='constant', constant_values=0)
    plt.subplot(121),plt.imshow(img_gray,'gray')
    plt.title('img_gray')
    plt.subplot(122),plt.imshow(result,'gray')
    plt.title('match_template'),plt.xticks([]),plt.yticks([])
    plt.show()

![这里写图片描述][SouthEast 1]

匹配结果如上图右所示，其中亮度较高的部分即我们所寻找的部分

接下来我们要让这张图看起来，更加明显，所以进行二值化操作，并降噪

mask = np.ones_like(result)
    mask[result > 0.4] = 255
    mask[result < 0.4] = 0
    plt.subplot(121),plt.imshow(mask,'gray'),plt.title('threshold')
    
    # open
    kernel = np.ones((2,2),np.uint8)
    th_mor = cv2.morphologyEx(mask,cv2.MORPH_OPEN,kernel, iterations = 3)
    plt.subplot(122),plt.imshow(th_mor,'gray'),plt.title('open'),plt.xticks([]),plt.yticks([])
    plt.show()

![这里写图片描述][SouthEast 2]

如此我们已经得到毛孔的轮廓图，不过这样看是不是太抽象了，ok，那么我们就把它画到原图上看一下

## 3.draw contours ##

# 寻找轮廓
     _, contour_total, _ = cv2.findContours(th_mor, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    
    # 绘制筛选后的轮廓
    img_ground = img_o.copy()
    cv2.drawContours(img_ground,new_contours,-1,(0,255,255),2)
    
    fig = plt.figure(figsize=(12, 9))
    axes = np.zeros((3, 3), dtype=np.object)
    axes[0, 0] = plt.subplot(231),plt.imshow(img_o),plt.title('original image')
    axes[0, 1] = plt.subplot(232),plt.imshow(img_ground),plt.title('contours')
    plt.show()

![这里写图片描述][SouthEast 3]

至此模式匹配的简单应用就算结束了。准确率什么的仅仅凭借我们肉眼观察是无法断定的，在此我们可以人工在原图上标注出毛孔的轮廓，然后与模式匹配结果进行比较，下面贴上作者尝试标注的图与模式匹配结果的对比（人工标注比较随意）

![这里写图片描述][SouthEast 4]

其中第二部分，模式匹配方法应用及二值化操作过程中，参数设置决定匹配结果。  
另外，在各种方法使用过程中，发现LBP效果也挺好。

**补充：**上述第二部分方法是采用skimage的match\_template，最近因为工作需要，又做了一份opencv的方法，具体如下：

import cv2
    img_match = cv2.matchTemplate(img_gray, img_kernel, cv2.TM_CCOEFF_NORMED)
    
    # 给匹配图补黑边，解决cv2匹配过程中边缘忽略问题
    img_match = cv2.copyMakeBorder(img_match,0,img_kernel.shape[0]-1,0,img_kernel.shape[1]-1,cv2.BORDER_CONSTANT,value=(0, 0, 0))

经检测发现，两者效果接近，skimage效果稍优。

本人邮箱:craftsman.mote@gmail.com,欢迎讨论。

[SouthEast]: /images/20220608/fd89d9896f754fba9c25707ab0562419.png
[SouthEast 1]: /images/20220608/b2bad9e0451d4f8e8ab5872ba8426e8d.png
[SouthEast 2]: /images/20220608/89952700f05f4518a618d30639c34966.png
[SouthEast 3]: /images/20220608/f0d337a085644f309f245d6435a2d855.png
[SouthEast 4]: /images/20220608/6c5ebe1b2a594aca91f054fc1f509601.png