Вам представлен датасет с паттерном, который находится у вас в архиве. Его надо найти на картинке из датасета. Паттерн выглядит так: А. Для изображений 1-100 по аналогии с поиском границ необходимо сделать матрицу, которая позволит найти этот паттерн. Б.

Ниже привожу подробное решение задачи с пошаговыми объяснениями и готовым примером кода на Python. В этом решении мы реализуем два подхода: 1. Для изображений с 00000001.png по 00000100.png (первые 100 изображений) используем метод шаблонного сопоставления на основе границ.   – Для улучшения качества ищем границы как в исходном изображении, так и в шаблоне (с помощью Canny).   – Применяем cv2.matchTemplate с выбранным методом (например, TMCCOEFFNORMED).   – Затем находим локальные максимумы в матрице отклика, выбираем лучшие 3 результата (если найдено меньше – дополняем нулями). 2. Для ос...

Решение задачи по поиску паттерна на изображениях с использованием метода шаблонного сопоставления (для изображений 1-100) и алгоритма ORB (для остальных). Результаты сохраняются в виде файла, где для каждого изображения выводятся: имя файла, количество обнаруженных паттернов и координаты (X, Y) найденных точек. Если найдено менее 3-х точек, то оставшиеся координаты заполняются 0. import cv2 import numpy as np import glob import os def getmatchessize, threshold=0.8, maxatches=3): detections = [] # копия результата, чтобы занулить уже выбранные участки resultopy = result.copy() w, h = templateize for matches): minval, minloc = cv2.minMaxLoc(resultopy) if maxal threshold: break detections.append(maxoc) # координата верхнего левого угла # зануляем область вокруг найденного максимума чтобы не находить повторно toploc bottomleft[0] + w, topeft[1] + h) cv2.rectangle(resultleft, bottomight, 0, -1) return detections def processmethod(img, template, threshold=0.8): # 1. Находим границы в тестовом изображении и в шаблоне grayBGR2GRAY) grayBGR2GRAY) edgesimg, 50, 150) edgestemplate, 50, 150) # 2. Применяем метод шаблонного сопоставления result = cv2.matchTemplate(edgestemplate, cv2.TMNORMED) # 3. Получаем координаты лучших совпадений (верхний левый угол) detections = getmatchestemplate.shape[1], edgesmatches=3) # Если найдено меньше 3-х точек, заполняем нулями while len(detections) 3: detections.append((0, 0)) return detections def processmethod(img, template, ratiohresh=0.75): # Инициализируем ORB-детектор orb = cv2.ORBreate(nfeatures=500) # Преобразуем в оттенки серого grayBGR2GRAY) grayBGR2GRAY) # Находим ключевые точки и дескрипторы kpimg = orb.detectAndCompute(graymg, None) kptemp = orb.detectAndCompute(grayemplate, None) # Если дескрипторы не найдены, возвращаем 3 нулевые точки if destemp is None: return [(0, 0)]*3 # Создаем BFMatcher с нормой Hamming bf = cv2.BFMatcher(cv2.NORMAMMING, crossCheck=False) matches = bf.knnMatch(desimg, k=2) # ищем 2 ближайших сопоставления goodatches = [] for m, n in matches: if m.distance ratiohresh * n.distance: goodatches.append(m) # Сортируем хорошие совпадения по дистанции (меньшая дистанция лучше) goodmatches, key=lambda x: x.distance) # Извлекаем координаты из kpmg (точки во входном изображении) detections = [] for match in goodatches[:3]: # kpmg индекс соответствует дескрипторам во входном изображении pt = kpmg[match.trainIdx].pt # координаты в виде (x, y) detections.append((int(pt[0]), int(pt[1]))) # Если найдено меньше 3-х точек, заполняем нулями while len(detections) 3: detections.append((0, 0)) return detections def main(): # Пути к изображениями и шаблону # Предположим, что изображения лежат в папке images/ и имеют имена вида 00000001.png, 00000002.png, ... # Шаблон (паттерн) лежит в файле pattern.png imagesath = images/ patternath = pattern.png # Загружаем шаблон template = cv2.imread(patternath) if template is None: print(Ошибка: не удалось загрузить шаблон из файла, patternath) return # Получаем список файлов. Предполагаем, что имена файлов можно отсортировать. imagepath, *.png))) # Результаты будем сохранять в список строк, потом запишем в файл .csv resultsines = [] header = name,numOfObj,dots resultsines.append(header) # Обработка изображений: for file in imageiles: # Извлекаем имя файла fileame = os.path.basename(file) print(Обрабатывается, fileame) img = cv2.imread(file) if img is None: print(Ошибка чтения файла, file) continue # Извлекаем номер изображения. Предположим, что первые 8 символов – это число try: num = int(os.path.splitext(fileame)[0]) except: num = 0 # Выбираем метод по условию if num = 1 and num = 100: # Метод на основе шаблонного сопоставления (границы) detections = processmethod(img, template, threshold=0.8) else: # Метод ORB detections = processmethod(img, template, ratiohresh=0.75) # Определяем количество найденных паттернов (не считая заполненных 0) numalid = sum(1 for pt in detections if pt != (0, 0)) # Формируем строку с координатами в требуемом формате: x,y;... dotstr = ;.join([f{pt[0]},{pt[1]} for pt in detections]) curname},{numstr}] resultsline) # Сохраняем результаты в файл output.csv outputilename = output.csv with open(outputilename, w, encoding=utf-8) as f: for line in resultsines: f.write(line + \n) print(Результаты записаны в, outputilename) if == : main() ------------------------------------------------------------ Пошаговое описание решения: 1. Импорт необходимых модулей: cv2 (OpenCV) для обработки изображений, numpy для работы с матрицами, glob и os для работы с файловой системой. 2. Реализована функция getmatchesemplate, которая по матрице результатов template matching извлекает лучшие локальные максимумы при условии, что они превышают пороговое значение (0.8). Для каждого найденного максимума область вокруг зануляется – это позволяет избежать повторного выбора близких точек. 3. Функция processmethod выполняет следующие шаги: – Преобразует входное изображение и шаблон в оттенки серого. – Вычисляет границы на изображениях с помощью алгоритма Canny. – Применяет метод шаблонного сопоставления cv2.matchTemplate. – Из полученной матрицы выбирает до 3-х лучших совпадений. Если найдено меньше 3-х, оставшиеся позиции заполняются (0,0). 4. Функция processmethod реализует поиск паттерна с использованием алгоритма ORB: – Детектируются ключевые точки и вычисляются дескрипторы для исходного изображения и шаблона. – Производится сопоставление дескрипторов с помощью BFMatcher с нормой Hamming. – Применяется ratio test (с порогом 0.75) для отбраковки неправильных матчей. – Из выбранных хороших матчей извлекаются координаты ключевых точек (до 3-х, остальные заполняются (0,0)). 5. В функции main: – Задаются пути к папке с изображениями и к файлу с шаблоном. – Изображения читаются и сортируются. – Для каждого изображения определяется номер, и выбирается соответствующий метод обработки. – Результаты (имя файла, количество найденных объектов, координаты точек) записываются в список строк. – Итоговый список записывается в файл output.csv. 6. Запустив данный код, вы получите выходной файл в виде таблицы, аналогичной приведённой в условии, где будет указано имя файла, число найденных паттернов и координаты (если найдено менее 3-х точек – дополнительно стоят нули). Данный пример можно дорабатывать, настраивая пороговые значения (threshold для template matching, ratiohresh для ORB), а также уплотняя алгоритм подавления перекрывающихся точек в зависимости от специфики вашего датасета.