Python----计算机视觉处理（Opencv:模板匹配)

一、概念

模板匹配就是用模板图（通常是一个小图）在目标图像（通常是一个比模板图大的图片）中不断的滑动比较，通过某种比较方法来判断是否匹配成功。

二、应用场景

1. 目标检测与识别：在计算机视觉领域，模板匹配常用于目标检测与识别。通过提前准备好的模板图像，可以在输入图像或视频流中识别出具有相似特征的目标物体，从而实现目标检测与识别。

2. 视频分析与目标跟踪：在视频分析中，模板匹配可用于实现目标物体的跟踪与追踪。借助模板匹配算法，可以在视频序列中追踪目标物体的运动轨迹，实现目标跟踪功能。

三、匹配方法

3.1、平方差匹配TM_SQDIFF

以模板图与目标图所对应的像素值使用平方差公式来计算，其结果越小，代表匹配程度越高。

3.2、归一化平方差匹配TM_SQDIFF_NORMED

与平方差匹配类似，只不过需要将值统一到0到1，计算结果越小，代表匹配程度越高

3.3、相关匹配TM_CCORR

使用对应像素的乘积进行匹配，乘积的结果越大其匹配程度越高

3.4、归一化相关匹配TM_CCORR_NORMED

与相关匹配类似，只不过是将其值统一到0到1之间，值越大，代表匹配程度越高

3.5、相关系数匹配TM_CCOEFF

需要先计算模板与目标图像的均值，然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度，1表示完美的匹配，-1表示最差的匹配

3.6、归一化相关系数匹配TM_CCOEFF_NORMED

也是将相关系数匹配的结果统一到0到1之间，值越接近1代表匹配程度越高

四、绘制轮廓

导入模块

import cv2
import numpy as np

输入图像

img = cv2.imread('mali.png')
img_template = cv2.imread('jinbi.png')

灰度化

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_template_gray = cv2.cvtColor(img_template, cv2.COLOR_BGR2GRAY)

模板匹配

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

筛选数据

threshold = 0.73
location = np.where(res > threshold)

绘制轮廓

for i in zip(*location[::-1]):right_bottom = (i[0] + w, i[1] + h)cv2.rectangle(img, i, right_bottom, (0, 0, 255))

输出图像

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整代码

import cv2  
import numpy as np  # 读取原始图像  
img = cv2.imread('mali.png')  # 读取模板图像  
img_template = cv2.imread('jinbi.png')  # 将原始图像转换为灰度图像  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 将模板图像转换为灰度图像  
img_template_gray = cv2.cvtColor(img_template, cv2.COLOR_BGR2GRAY)  # 获取模板灰度图像的高度（h）和宽度（w）  
h, w = img_template_gray.shape  # 在原始灰度图像中执行模板匹配  
res = cv2.matchTemplate(img_gray, img_template_gray, cv2.TM_CCOEFF_NORMED)  # 设置匹配的阈值，只有大于该值的匹配才会被考虑  
threshold = 0.73  # 找到所有匹配结果的位置  
location = np.where(res > threshold)  # 在每个匹配位置绘制矩形框  
for i in zip(*location[::-1]):  # 反转位置元组（从列开始）  right_bottom = (i[0] + w, i[1] + h)  # 计算矩形的右下角坐标  cv2.rectangle(img, i, right_bottom, (0, 0, 255), thickness=2)  # 绘制红色矩形框  # 显示带有矩形框的图像  
cv2.imshow('img', img)  # 等待用户按键  
cv2.waitKey(0)  # 关闭所有OpenCV窗口  
cv2.destroyAllWindows()

疑难解读

np.where(res > threshold)
np.where 返回的是一个包含多维数组索引的元组。对于二维图像（如模板匹配的结果），返回的 location 是一个元组，包含两个数组：一个是所有行坐标，一个是所有列坐标。

zip(*location[::-1])
        location[::-1]:
        这个操作是用来反转元组的顺序。元组的格式是 (行数组, 列数组)，反转之后会成为 (列数组, 行数组)，这样做是为了确保接下来的 zip 操作可以正确地将坐标组合成元组。

        zip(*location[::-1]):
        zip 函数用于将多个可迭代对象的元素组合成元组。在这里，* 运算符用于解包 location[::-1]，把反转后的元组传入到 zip 函数中。

五、库函数

5.1、matchTemplate()

cv.matchTemplate(	image, templ, method[, result[, mask]]	) ->	result

方法	描述
image	运行搜索的图像。它必须是 8 位或 32 位浮点。
templ	搜索到的模板。它必须不大于源图像，并且具有相同的数据类型。
result	比较结果的映射。它必须是单通道 32 位浮点
method	指定比较方法的参数，请参阅 TemplateMatchModes
mask	可选掩码。它的大小必须与 templ 相同。它必须具有与模板相同的通道数，或者只有一个通道，然后用于所有模板和图像通道。如果数据类型为 CV_8U，则掩码将被解释为二进制掩码，这意味着仅使用 mask 为非零的元素，并且这些元素保持不变，与实际掩码值无关（权重等于 1）。对于数据 tpye CV_32F，掩码值用作权重。确切的公式记录在 TemplateMatchModes 中。

Enumerator
TM_SQDIFF Python: cv.TM_SQDIFF
TM_SQDIFF_NORMED Python: cv.TM_SQDIFF_NORMED
TM_CCORR Python: cv.TM_CCORR
TM_CCORR_NORMED Python: cv.TM_CCORR_NORMED
TM_CCOEFF Python: cv.TM_CCOEFF
TM_CCOEFF_NORMED Python: cv.TM_CCOEFF_NORMED