两个相似形状之间的OpenCV形状匹配

Cyon 发表于 Dev

Cyon

我正在尝试将稍微不规则的形状与形状数据库匹配。例如，在这里我要匹配的轮廓：

有关更多信息，这是HDMI连接器的轮廓，以轮廓表示。这有点粗糙，因为这是在握住HDMI时用手机拍摄的。

这是我的连接器数据库：

HDMI：

DVI：

5PinDIN：

DB25：

这些轮廓更加清晰，因为这些轮廓是从互联网的连接器图像中收集的。

对于我尝试过的：

cv2.matchShapes（）

由于这些都是轮廓，因此我尝试使用matchShapes（）方法直接比较它们，但结果不佳。不规则轮廓与我的数据库之间的相似之处是：

HDMI：0.90

DB25：0.84

5 DIN针：0.5

DVI：0.21

由于匹配结果越接近0，轮廓越相似，该算法完全失败。我通过更改第三个参数尝试了其他匹配方法，但仍然没有成功。

ORB：

与SIFT类似，我尝试了关键点匹配。在数据库中平均不同匹配项之间的距离（找到匹配项的前15％之后）：

mean([m.distance for m in matches])

距离为：

五针DIN：7.6

DB25：11.7

DVI：12.1

HDMI：19.6

由于这将圆形归类为最像我的轮廓的形状，因此也失败了。

以下是实际HDMI插槽与我的示例HDMI插槽的ORB匹配的关键点，以获取更多信息：

有什么想法/其他算法应该尝试吗？还是CNN是我唯一的选择（我宁愿避免使用它，因为我没有足够的数据量）。

成功

可以执行多个步骤以获得更好的结果。并且不需要CNN或某些复杂的功能匹配，让我们尝试使用非常基本的方法来解决此问题。

1.规范化查询图像和数据库图像。

可以通过仔细裁剪输入轮廓，然后将所有图像调整为相同的高度或宽度来实现。我将在这里选择宽度，比方说300px。让我们为此定义一个实用程序方法：

def normalize_contour(img):
    im, cnt, _ = cv2.findContours(img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    bounding_rect = cv2.boundingRect(cnt[0])
    img_cropped_bounding_rect = img[bounding_rect[1]:bounding_rect[1] + bounding_rect[3],
                                bounding_rect[0]:bounding_rect[0] + bounding_rect[2]]

    new_height = int((1.0 * img.shape[0])/img.shape[1] * 300.0)
    img_resized = cv2.resize(img_cropped_bounding_rect, (300, new_height))
    return img_resized

此代码段将返回固定宽度为300的裁剪好的轮廓。将此方法应用于所有数据库图像以及输入的查询图像。