Python 如何从matchShapes函数中获得可靠的结果？

很抱歉问了这么长的问题。。。我必须添加足够多的图像来解释我的观点，并演示不同的边缘情况

我正在尝试使用Python中的OpenCV检测减速带标志。这些标志如下所示：

（这些只是我从互联网上下载的示例，以下分割轮廓不是这些图像的一部分）

我成功地提取了这些标志的内部轮廓，它们看起来如下：

一些不需要的三角形标志也会通过我的三角形探测器：

这些提取的轮廓看起来像：

因此，我的目标是将提取的轮廓与一些标准图像（我已经保存）进行比较。为此，我正在使用OpenCV中的

matchContours

函数。

我正在使用的标准图像，将与所有可能的图像进行比较（左侧有多个凸起，右侧有一个凸起）：

我面临的问题是，

matchContours

的输出非常多变，我无法理解它。以下水平堆叠图像描绘了目标轮廓（左侧），与上述标准之一（右侧）相比，左下角的值描绘了以下代码的输出：

def比较_ROI（标准，图像）：
cnt1，u=cv2.查找孔（标准，cv2.外部翻新，cv2.链约无）
cnt2，=cv2.查找对象（图像，cv2.外部检索，cv2.链约无）
biggest1=已排序（cnt1，key=cv2.contourArea，reverse=True）[0]
biggest2=已排序（cnt2，key=cv2.contourArea，reverse=True）[0]
返回cv2.matchShapes（biggest1、biggest2、cv2.CONTOURS_MATCH_I1,0.0）
比较\u ROI（单个\u凹凸\u模板\u反转，图像）
比较\u ROI（多个\u凹凸\u模板\u反转，图像）
#不显示堆叠和添加文本

以下是上述代码输出的一些示例：

从上面的图像中，我可以说，分类为“检测到减速带”的值（两次比较中的最小值）应该介于

0和1.6之间

但以下图像与这一观察结果相矛盾。有时，未检测到的斑点的值落在该范围内，而其他时候，实际的“真实”检测值落在该范围外，所有与凹凸非常不同的形状中更糟糕的形状也会进入该范围（以“箭头”或“e”为例）：

为什么会这样？请注意，ROI图像都是不同的形状。。。有些很小，有些很大<代码>匹配形状

应该对对象的形状保持不变，并且应该能够检测形状

如前所述，所有7个Hu矩在平移（沿x或y方向移动）、缩放和旋转下都是不变的

所以我的问题是：如何确保从

matchShapes

获取的返回值在正确的范围内？我是否可以将任何转换应用于输入图像，以便更好地“帮助”

matchShapes

“看到”差异

---

这与我的类似，下面的两条注释似乎表明可能需要进行一些转换

:

matchShapes（）使用Hu不变量；旋转/平移/缩放不变形状的描述。尽管你的结果看起来很奇怪，但事实是硬币的形状是非常椭圆的，比衬衫的形状更椭圆，这意味着如果你把它们都放大到相同的大小，硬币上的椭圆比衬衫离中心的“质量”（面积）要远得多。因此，对于

matchShapes（）

:

解决了这个问题，只是做了一个函数，将轮廓拉伸成一个正方形的边界框，这样从一个角度观察硬币时，硬币看起来就像它们的正面一样。这可能适用于更复杂的形状

我不确定OP在这种情况下做了什么，以及他们做同样的事情对我的情况是否有帮助，所以我问了这个问题

---

我应该尝试使用其他两种实现的方法吗<代码>等高线匹配\u I2和

等高线匹配\u I3

？它们到底有什么不同？政府只能说这么多：

---

您可以从下载整个数据集。并在与解压缩的“dataset”文件夹相同的工作目录中运行以下代码：

导入操作系统
进口cv2
dataset=“dataset”
folders=os.listdir（数据集）
文件夹。删除（“标准”）
single=cv2.imread（os.path.join（数据集，“标准”，“single.jpg”），0）
multiple=cv2.imread（os.path.join（数据集，“标准”，“multiple.jpg”），0）
def比较_roi（roi，标准）：
cnt1，u=cv2.查找孔（标准，cv2.外部翻新，cv2.链约无）
cnt2，cv2.找到的目标（投资回报率，cv2.外部回报率，cv2.链约无）
biggest1=已排序（cnt1，key=cv2.contourArea，reverse=True）[0]
biggest2=已排序（cnt2，key=cv2.contourArea，reverse=True）[0]
返回cv2.matchShapes（biggest1、biggest2、cv2.CONTOURS_MATCH_I1,0.0）
对于文件夹中的文件夹：
path\u to\u folder=os.path.join（数据集，文件夹）
roi=cv2.imread（os.path.join（路径到文件夹，“image.jpg”），0）
ret1=比较投资回报率（投资回报率，单个）
ret2=比较roi（roi，多个）
single_resized=cv2.resize（single，roi.shape[：：-1]，插值=cv2.INTER_NEAREST）
多重调整大小=cv2.resize（多重，roi.shape[：：-1]，插值=cv2.INTER\u最近）
stacked1=np.hstack（（投资回报率，单次调整大小））
stacked2=np.hstack（（投资回报率，多个调整大小））
h、 w=堆叠1.形状[：2]
putText（stacked1，“{:3f}”。格式（ret1），（10，h-h//w-10），0，0.5，（255，255，255），1）
h、 w=堆叠的2.形状[：2]
putText（stacked2，“{:3f}”。格式（ret2），（10，h-h//w-10），0，0.5，（255，255，255），1）
cv2.imshow（“roi”，roi）
cv2.imshow（“与单个相比”，堆叠1）
cv2.imshow（“与多个进行比较”），堆栈