使用OpenCV進(jìn)行模板匹配(原圖-模板圖)？有許多匹配算法，例如比較原始圖像和模板圖像像素值的最簡單方法。但是這種方法有一點(diǎn)旋轉(zhuǎn)和光線變化，結(jié)果會(huì)很差。為了改進(jìn)這一點(diǎn)，我們有sad算法。然后傷心地說

使用OpenCV進(jìn)行模板匹配(原圖-模板圖)？

有許多匹配算法，例如比較原始圖像和模板圖像像素值的最簡單方法。但是這種方法有一點(diǎn)旋轉(zhuǎn)和光線變化，結(jié)果會(huì)很差。為了改進(jìn)這一點(diǎn)，我們有sad算法。然后傷心地說。然后利用NCC算法計(jì)算區(qū)域間的互相關(guān)。在上述三種算法中，sad算法是最簡單的，因此在確定模板大小時(shí)sad算法的速度最快。NCC算法比sad算法復(fù)雜得多。至于算法的過程，這三種算法都很容易理解。我覺得自己學(xué)習(xí)比較好。

如何利用OPENCV的matchShapes進(jìn)行輪廓匹配？

目前，輪廓匹配的研究也在進(jìn)行中。輪廓匹配的前提是提取輪廓上的特征點(diǎn)并計(jì)算特征信息，然后根據(jù)特征信息進(jìn)行匹配。提取特征點(diǎn)的算法很多，如sift和surf等，都是在OpenCV中實(shí)現(xiàn)的。然后采用魯棒匹配算法進(jìn)行匹配。目前，我正在讀一篇論文“基于曲率特征的輪廓匹配算法”。匹配算法相對(duì)簡單。第一步是通過多邊形逼近輪廓提取輪廓上的有效點(diǎn)；第二步是計(jì)算輪廓上有效點(diǎn)的曲率；第三步是比較兩個(gè)輪廓曲率集的Hausdorff距離。本文采用一種簡化的方法計(jì)算Hausdorff距離法。

OpenCV已經(jīng)將圖像處理(識(shí)別)的算法寫成函數(shù)了，那我們還有必要去學(xué)習(xí)這些算法嗎？

這取決于你的目的。比如說現(xiàn)在的車這么先進(jìn)好用，你還需要了解變速箱的原理嗎？這取決于你的目的。如果只是普通駕駛，你不需要知道。如果你是一個(gè)機(jī)械師，你必須理解。如果你是一個(gè)汽車制造商的工程師，你必須對(duì)它非常了解。簡言之，這取決于具體的需要。

為什么有些算法崗位，需要用C 而不是python？

C/C是一種相對(duì)低級(jí)的語言，它可以非常精細(xì)地控制CPU/內(nèi)存和其他計(jì)算機(jī)資源，尤其是硬件。在算法運(yùn)算最精細(xì)的時(shí)候使用它們是很自然的。

但它們的優(yōu)點(diǎn)也是缺點(diǎn)。精細(xì)的操作自然需要精細(xì)的編程，精細(xì)的編程自然需要復(fù)雜的語言設(shè)置，比如什么是指針，什么是指針函數(shù)，什么是函數(shù)指針當(dāng)你理解了這些概念，你可能就沒有編寫代碼的沖動(dòng)了。更重要的是，如果你想編寫高性能的代碼，你必須精通這些概念

Python的一個(gè)非常重要的特性就是所謂的“粘合語言”，也就是說它可以將用不同語言編寫的代碼模塊組合起來，然后通過Python調(diào)用它們。實(shí)際上，大多數(shù)算法庫都是用C/C語言編寫的，然后提供Python接口供用戶使用。畢竟，大多數(shù)人只需要知道如何調(diào)用封裝的算法。但是如果你想實(shí)現(xiàn)你自己的算法，你必須知道C/C

例如，Python就像一個(gè)電視遙控器，C/C就像遙控器中的電路板。通常，如果你想換臺(tái)，只需按一下按鈕。但有一天你只需要一個(gè)將屏幕旋轉(zhuǎn)90度的功能，遙控器沒有這個(gè)功能，但可以通過卸下遙控板，插入幾個(gè)組件來實(shí)現(xiàn)。你是做什么的？