计算机视觉--opencv---如何识别不同方向图片的识别

数据准备：

jt.jpg

jiant.jpg

一、使用 OpenCV 实现多模板匹配

步骤和原理：

1. 读取图像和模板：首先需要加载待检测的原始图像和作为模板的图像
2. 选择匹配方法：OpenCV 提供了多种匹配算法（如 TM_CCOEFF、TM_CCOEFF_NORMED 等）
3. 执行模板匹配：使用 cv2.matchTemplate() 函数进行匹配计算
4. 设置阈值筛选结果：通过设定合适的阈值，找出所有匹配度高于阈值的区域
5. 处理重叠区域：如果匹配结果有重叠，通常保留匹配度最高的区域

示例代码

import  cv2
import  numpy as np

img_rgb = cv2.imread('jiant.jpg')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread('jt.jpg',0)
h,w = template.shape[:2]

res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)

threshold = 0.9

loc = np.where(res>=threshold)

for pt in zip(*loc[::-1]):
    cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)

cv2.imshow('1',img_rgb)
cv2.waitKey(0)

二、opencv图像旋转

这里介绍的是固定角度旋转，非特定角度需要详解数学原理，后面再介绍

固定角度旋转的技术特性

固定角度旋转（90°、180°、270°）与任意角度旋转相比，具有独特的技术优势：

• 像素位置可预测：旋转后每个像素的新位置是整数坐标，无需复杂的插值计算（仅在边缘处理时可能用到简单插值）
• 画布尺寸确定性变化：旋转后图像的宽高比会按规律变化（90° 和 270° 旋转时宽高互换，180° 旋转时尺寸不变）
• 计算效率极高：底层采用矩阵转置等优化算法，避免了三角函数运算，速度比任意角度旋转快 10 倍以上
• 无信息丢失：完整保留原始图像的所有像素信息，不会因旋转角度导致内容裁剪（除非主动设置）

cv2.rotate () 函数深度解析

函数原型与参数说明

rotated_img = cv2.rotate(src, rotateCode)

• src：输入图像，必须是 numpy 数组格式（ndarray），可以是单通道（灰度图）、三通道（彩色图）或四通道（带 alpha 通道的图像）

• rotateCode：旋转模式参数，决定旋转方向和角度，仅支持以下三个预定义值：

  • cv2.ROTATE_90_CLOCKWISE：顺时针旋转 90°
  • cv2.ROTATE_180：顺时针旋转 180°（与逆时针旋转 180° 结果相同）
  • cv2.ROTATE_90_COUNTERCLOCKWISE：逆时针旋转 90°（等价于顺时针旋转 270°）

• 返回值：旋转后的图像，与输入图像具有相同的数据类型和通道数

旋转模式的底层实现机制

1. 顺时针旋转 90°（ROTATE_90_CLOCKWISE）

   • 实现原理：先对图像进行转置（transpose），再进行水平翻转（flip）
   • 尺寸变化：原图像 (w, h) → 旋转后 (h, w)
   • 数学表达：新坐标 (x', y') 与原坐标 (x, y) 的关系为 x' = y，y' = w-1-x

2. 180° 旋转（ROTATE_180）

   • 实现原理：对图像进行两次水平翻转（或两次垂直翻转），或直接反转像素顺序
   • 尺寸变化：原图像 (w, h) → 旋转后 (w, h)（尺寸不变）
   • 数学表达：新坐标 (x', y') 与原坐标 (x, y) 的关系为 x' = w-1-x，y' = h-1-y

3. 逆时针旋转 90°（ROTATE_90_COUNTERCLOCKWISE）

   • 实现原理：先对图像进行转置（transpose），再进行垂直翻转（flip）
   • 尺寸变化：原图像 (w, h) → 旋转后 (h, w)
   • 数学表达：新坐标 (x', y') 与原坐标 (x, y) 的关系为 x' = h-1-y，y' = x

示例代码：

import cv2
import numpy as np
# 方法一
img = cv2.imread('./jt.jpg')
# 旋转 90 度, k=-1 表示顺时针旋转 90 度
rotated_image1 = np.rot90(img, k=-1)
# 旋转 90 度, k=1 表示逆时针旋转 90 度
rotated_image2 = np.rot90(img, k=1)

cv2.imshow(winname='yuantu', mat=img)
cv2.imshow(winname='rotated_image1', mat=rotated_image1)
cv2.imshow(winname='rotated_image2', mat=rotated_image2)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 方法二
rotated_image = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)  # 顺时针90度
rotated_image1 = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE)  # 逆时针90度
rotated_image2 = cv2.rotate(img, cv2.ROTATE_180)  # 旋转180度
cv2.imshow(winname='shun90', mat=rotated_image)
cv2.imshow(winname='ni90', mat=rotated_image1)
cv2.imshow(winname='180', mat=rotated_image2)
cv2.waitKey(0)

三、实现图片中多角度识别的案例

需要实现在大图片中识别不同角度的小图片

1. 读取图像文件

   img_rgb = cv2.imread('jiant.jpg')  # 读取原始彩色图像
   img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)  # 转换为灰度图
   template = cv2.imread('jt.jpg',0)  # 读取模板图像，0表示以灰度模式读取
   

2. 生成旋转后的模板

   image1 = np.rot90(template, k=-1)  # 将模板逆时针旋转90度
   image2 = np.rot90(template, k=1)   # 将模板顺时针旋转90度
   

3. 定义匹配函数ping

   def ping(template,img_rgb):
       h, w = template.shape[:2]  # 获取模板的高度和宽度
       # 使用归一化相关系数方法进行模板匹配
       res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
       threshold = 0.9  # 匹配阈值，只保留匹配度大于等于0.9的结果
       loc = np.where(res >= threshold)  # 找到所有匹配度超过阈值的位置
       
       # 遍历所有匹配位置，绘制矩形标记
       for pt in zip(*loc[::-1]):
           cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)
   

4. 执行匹配并显示结果

   ping(template,img_rgb)   # 用原始模板匹配
   ping(image1,img_rgb)     # 用逆时针旋转90度的模板匹配
   ping(image2,img_rgb)     # 用顺时针旋转90度的模板匹配
   
   cv2.imshow('1',img_rgb)  # 显示标记后的图像
   cv2.waitKey(0)           # 等待用户按键，保持窗口显示

完整代码

import  cv2
import  numpy as np

img_rgb = cv2.imread('jiant.jpg')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread('jt.jpg',0)

image1 = np.rot90(template, k=-1)
image2 = np.rot90(template, k=1)

def ping(template,img_rgb):
    h, w = template.shape[:2]
    res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
    threshold = 0.9
    loc = np.where(res >= threshold)
    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)

ping(template,img_rgb)
ping(image1,img_rgb)
ping(image2,img_rgb)
cv2.imshow('1',img_rgb)
cv2.waitKey(0)

结果：