模板匹配应用（opencv的妙用）

在图像处理领域，模板匹配是一种常用的技术，用于在一幅大图中寻找与给定模板最匹配的区域。OpenCV作为一个强大的计算机视觉库，提供了cv2.matchTemplate()函数来实现模板匹配功能。本文将详细介绍OpenCV中的模板匹配技术，包括其原理、使用方法以及实际应用场景。

目录

模板匹配原理

匹配方法

使用方法

加载图像

模板匹配

查找匹配位置

绘制匹配结果

---

模板匹配原理

模板匹配的基本思想是将模板图像在目标图像上滑动，并计算每个位置的相似度。通过比较模板图像与目标图像对应区域的相似度，找到相似度最高的位置即为匹配位置。模板匹配的计算方法有多种，OpenCV中提供了六种不同的匹配方法。

匹配方法

1. TM_SQDIFF：计算平方差，值越小表示越相关。
2. TM_SQDIFF_NORMED：归一化平方差匹配，值越接近0表示越相关。
3. TM_CCORR：计算相关性，值越大表示越相关。
4. TM_CCORR_NORMED：归一化相关性匹配，值越接近1表示越相关。
5. TM_CCOEFF：计算相关系数，值越大表示越相关。
6. TM_CCOEFF_NORMED：归一化相关系数匹配，值越接近1表示越相关。

使用方法

加载图像

首先，需要加载目标图像和模板图像。使用cv2.imread()函数读取图像文件。

import cv2  
  
# 加载目标图像和模板图像  
target_img = cv2.imread('target.jpg')  
template_img = cv2.imread('template.jpg')

模板匹配

然后，使用cv2.matchTemplate()函数进行模板匹配。该函数会返回一个匹配结果矩阵，矩阵中的每个元素表示模板图像在目标图像上对应位置的匹配程度。

# 使用平方差匹配算法  
result = cv2.matchTemplate(target_img, template_img, cv2.TM_SQDIFF)

查找匹配位置

通过cv2.minMaxLoc()函数在匹配结果矩阵中找到最小值（对于平方差匹配）或最大值（对于其他匹配方法）的位置，即为匹配位置。

# 查找最小值及其位置  
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)  
  
# 对于平方差匹配，取最小值位置  
top_left = min_loc  
  
# 计算匹配区域的右下角坐标  
bottom_right = (top_left[0] + template_img.shape[1], top_left[1] + template_img.shape[0])

绘制匹配结果

最后，在目标图像上绘制矩形框来表示匹配位置。

# 绘制矩形框  
cv2.rectangle(target_img, top_left, bottom_right, (0, 255, 0), 2)  
  
# 显示结果图像  
cv2.imshow('Result', target_img)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

实例：

import cv2
import numpy as np

img_rgb = cv2.imread('example.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
tem = cv2.imread('jiant.jpg', 0)
for i in [0, 1, 2, 3]:#通过循环，使用 np.rot90(tem, i) 对模板图像进行旋转，其中 i 的值从0到3变
                      #化，分别对应0度、90度、180度、270度的旋转。
    template = np.rot90(tem, i)
    h, w = template.shape[:2]

    res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
  #对每次旋转后的模板图像，使用 cv2.matchTemplate() 函数在 img_gray（灰度目标图像）上进行模板匹
#配。这里使用的是 cv2.TM_CCOEFF_NORMED 方法，它计算归一化相关系数，值越接近1表示匹配度越高。
    threshold = 0.9#通过设置阈值 threshold = 0.9，筛选出匹配度大于或等于该阈值的所有位置。
    loc = np.where(res >= threshold)
#使用 np.where(res >= threshold) 找到这些位置，并使用 zip(*loc[::-1]) 转换坐标格式，因为 loc 返#回的是 (y, x) 坐标，而 OpenCV 中的图像坐标是 (x, y)。
    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1)
#使用 cv2.imshow('res', img_rgb) 显示标记了匹配区域的图像。
cv2.imshow('res', img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：