python：opencv进行文件夹文件模板匹配

📚博客主页：knighthood2001
✨公众号：认知up吧 （目前正在带领大家一起提升认知，感兴趣可以来围观一下）
🎃知识星球：【认知up吧|成长|副业】介绍
❤️如遇文章付费，可先看看我公众号中是否发布免费文章❤️
🙏笔者水平有限，欢迎各位大佬指点，相互学习进步！

适用情况

你有一个模板图片，你需要在某一个文件夹中，找到你这个文件。

完整代码

import cv2
import os

def save_matched_images(original_image_path, folder_path, save_folder, val=0.8):
    """
    保存与模板图像匹配的图片到指定文件夹。

    Args:
        original_image_path (str): 原始模板图像的文件路径。
        folder_path (str): 需要遍历查找匹配图片的文件夹路径。
        save_folder (str): 保存匹配到的图片的目标文件夹路径。
        val (float, optional): 匹配程度的阈值。当匹配程度高于该值时，保存图片。默认为0.8。

    Returns:
        None

    """
    # 读取原始图像作为模板
    original_image = cv2.imread(original_image_path, 0)
    if original_image is None:
        print(f"Error: Failed to read original image from '{original_image_path}'.")
        return

    # 获取原始图像的尺寸
    template_height, template_width = original_image.shape[:2]

    # 创建保存结果的文件夹
    if not os.path.exists(save_folder):
        os.makedirs(save_folder)

    # 遍历文件夹中的每张图片
    for filename in os.listdir(folder_path):
        if filename.endswith(('.png', '.jpg', '.jpeg')):
            # 读取当前图片
            # image_path = folder_path + "\\" + filename
            image_path = os.path.join(folder_path, filename)
            print("image_path", image_path)
            current_image = cv2.imread(image_path, 0)
            if current_image is None:
                print(f"Warning: Failed to read image '{image_path}', skipping.")
                continue

            # 检查当前图片尺寸是否小于模板图像尺寸
            current_height, current_width = current_image.shape[:2]
            if current_height < template_height or current_width < template_width:
                print(f"Warning: Image '{filename}' size is smaller than template, skipping.")
                continue

            # 使用 TM_CCOEFF_NORMED 方法进行模板匹配
            result = cv2.matchTemplate(current_image, original_image, cv2.TM_CCOEFF_NORMED)

            # 获取匹配位置和匹配程度
            min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

            # 如果匹配程度高于0.8，则保存该图片
            if max_val > val:
                # 保存匹配的结果图片到指定文件夹
                matched_image = cv2.imread(image_path)
                save_path = os.path.join(save_folder, filename)
                cv2.imwrite(save_path, matched_image)
                print(f"Saved matched image: {save_path}")
            else:
                print(f"Warning: Image '{filename}' does not match template.")

# # 测试示例
original_image_path = '22.png'
folder_path = 'y_project'
save_folder = 'result'

save_matched_images(original_image_path, folder_path, save_folder)

代码部分即插即用，一般不会有啥太大问题，我把模板图像大小小于你要匹配图像大小的情况给pass了，不然就会报错。

如何使用

22.png就是你的模板图片，y_project文件夹中存放的就是你需要从中找出匹配度高的图片，将其放在result文件夹中。

注意事项

• 首先就是你的路径不要设置成中文，opencv遇到中文，可能会存在报错。
• 模板匹配的图片，你不能去缩放，否则，匹配不上了。

模板匹配如果遇到缩放图怎么办

**模板匹配通常对图像的缩放比较敏感。**如果模板图像和待匹配图像的尺寸不一致，即待匹配图像是模板图像的缩放版本，那么直接使用标准的模板匹配方法可能无法得到满意的结果。以下是几种处理图像缩放问题的策略：

1. 尺度归一化：在匹配之前，将所有待匹配图像缩放到与模板图像相同的尺寸。这可以通过OpenCV的cv2.resize函数实现。

2. 尺度不变特征匹配：使用尺度不变特征变换（Scale-Invariant Feature Transform, SIFT）或其变种，如SURF（加速稳健特征）或ORB（Oriented FAST and Rotated BRIEF），这些特征检测算法能够检测到图像中的特定特征，并且对图像的缩放、旋转和部分亮度变化具有鲁棒性。

3. 多尺度模板匹配：对模板图像进行多尺度变换，生成一系列不同尺寸的模板图像，然后对每个尺寸的模板进行模板匹配。这可以通过在cv2.matchTemplate函数中使用不同的模板尺寸来实现。

4. 基于学习的匹配算法：使用基于机器学习或深度学习的图像匹配算法，这些算法可以在训练阶段学习到图像的尺度变化，并在测试阶段对不同尺度的图像进行匹配。

5. 图像金字塔：构建待匹配图像的金字塔，然后从顶层（最小的图像尺寸）开始，逐层向下进行模板匹配。如果在顶层找到了匹配，就不需要在更小的尺度上继续搜索。

6. 自适应阈值：根据图像的尺度变化调整匹配阈值。较大的图像可能需要更低的阈值来找到匹配。

7. 特征匹配后几何变换：使用特征匹配算法找到关键点，然后根据关键点之间的对应关系计算出最佳的仿射变换或透视变换，将待匹配图像变换到与模板图像相同的尺寸和方向。

选择哪种方法取决于你的具体应用场景和需求。例如，如果你知道图像只会发生轻微的缩放，可能只需要简单的尺度归一化。如果你需要处理更复杂的情况，可能需要使用更高级的特征匹配算法。