OpenCV —— 模板匹配

最新推荐文章于 2025-04-17 21:57:04 发布

CharlesWu123

最新推荐文章于 2025-04-17 21:57:04 发布

阅读量1.4k

点赞数

分类专栏： OpenCV 文章标签： opencv

本文链接：https://blog.csdn.net/m0_38007695/article/details/114535686

版权

OpenCV 专栏收录该内容

17 篇文章

订阅专栏

本文深入探讨了OpenCV中的模板匹配技术，包括平方差匹配、相关匹配和相关系数匹配等方法，以及如何使用matchTemplate函数进行模板匹配。通过匹配度矩阵和minMaxLoc函数找到最佳匹配位置，实现图像中特定区域的快速定位。同时，提供了C++代码示例，展示如何应用这些方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模板匹配就是在整个图像区域发现与给定图像最相似的小块区域，所以模板匹配首先需要一个模板图像，另外需要一个待检测图像：

在待检测图像上，从左到右，从上到下，计算模板图像与重叠子图像的匹配度（相似度），匹配度（相似度）越大，两者相同的可能性越大。
对于每一个位置将计算的相似结果保存在矩阵 R 中。如果输入图像的大小为 WxH 且模板图像的大小为 wxh，则输出矩阵 R 的大小为 (W-w+1)x(H-h+1) 。
获得 R 后，从 R 中找出匹配度最高的位置，那么该位置对应的区域就是最匹配的，区域为以该点为顶点，长宽和模板图像一样大小的矩阵。)

OpenCV函数

matchTemplate

将模板与重叠的图像区域进行比较。

使用指定的方法将大小为 w×h 的重叠矩阵与 templ 进行比较，并将比较结果存储在 result 中。

函数完成比较后，可以使用 minMaxLoc 函数找到最佳匹配项，作为全局最小值（使用TM_SQDIFF时）或最大值（使用TM_CCORR或TM_CCOEFF时）。在彩色图像的情况下，分子的模板求和和分母中的每个和在所有通道上进行，每个通道使用单独的平均值。即，该函数可以获取彩色模板和彩色图像。结果仍然是单通道图像，更易于分析。

enum  cv::TemplateMatchModes {
	  cv::TM_SQDIFF = 0,
	  cv::TM_SQDIFF_NORMED = 1,
	  cv::TM_CCORR = 2,
	  cv::TM_CCORR_NORMED = 3,
	  cv::TM_CCOEFF = 4,
	  cv::TM_CCOEFF_NORMED = 5
	}
void cv::matchTemplate( InputArray		image,
                        InputArray		templ,
                        OutputArray		result,
                        int				method,
                        InputArray		mask = noArray() 
                    	)
//Python:
result = cv.matchTemplate(image, templ, method[, result[, mask]])

参数解释

参数	解释
image	源图像，要搜索的图像，8位或32位浮点。
templ	搜索的模板，不大于源图像并且具有相同的数据类型。
result	比较结果图，单通道32位浮点。如果 image 为 W×H 并且 templ 为 w×h ，则结果为 (W-w + 1)×(H-h + 1)。
method	比较的方法
mask	搜索模板的掩码。必须与 templ 具有相同的数据类型和大小。默认情况下未设置。当前，仅支持TM_SQDIFF 和 TM_CCORR_NORMED 方法。

比较方法：

在这里插入图片描述

TM_SQDIFF：平方差匹配法，该方法采用平方差进行匹配，最好的匹配值为0；匹配越差，匹配值越大
TM_SQDIFF_NORMED：归一化平方差匹配法
TM_CCORR：相关匹配法，该方法采用乘法操作，数值越大表示匹配程度越好
TM_CCORR_NORMED：归一化相关匹配法
TM_CCOEFF：相关系数匹配法，1表示完美的匹配，-1表示最差的匹配
TM_CCOEFF_NORMED：归一化相关系数匹配法

在 OpenCV 的实现中采用了傅里叶变换，速度会快很多。OpenCV 源码路径：modules/imgproc/src/templmatch.cpp。

简单说一下 OpenCV 源码的方法：

对于 TM_CCORR 方法，
$\sum_{x',y'}(T(x', y') \cdot I(x+x', y+y'))$
对于 TM_SQDIFF：
$\begin{aligned} R(x, y) & = \sum_{x',y'}(T(x', y') - I(x+x', y+y'))^2 \\ & = \sum_{x',y'}(T(x', y')^2 - 2\cdot T(x', y') \cdot I(x+x', y+y') + I(x+x', y+y')^2) \end{aligned}$
对于 TM_CCOEFF：
$\begin{aligned} R(x, y) & = \sum_{x',y'}(T'(x', y') \cdot I'(x+x', y+y')) \\ & = \sum_{x',y'}(T(x', y') \cdot I(x+x', y+y')) - sum(I)\cdot mean(T) \end{aligned}$
其中 $s u m (I)$ 为源图像中模板图像对应区域的和， $m e a n (T)$ 是模板图像的均值。

而对于以上三个公式中的 $\sum_{x',y'}(T(x', y') \cdot I(x+x', y+y'))$ 是在频率域上进行计算的（可以将模板图像看成卷积核在源图像上滑动求卷积，可以在频率域计算，从而加快速度）

对于 $I(x+x', y+y')^2, sum(I)$ 可以通过图像的（平方）积分实现。

对于 TM_SQDIFF_NORMED，TM_CCORR_NORMED 的分母部分都可以通过图像的（平方）积分来实现。

对于 TM_CCOEFF_NORMED 的分母：
$\sum_{x',y'}T'(x', y')^2 = NM \cdot \sigma^2$

$\sum_{x',y'}I'(x+x', y+y')^2 = \sum_{x',y'}I(x+x', y+y')^2 - \frac{sum(I)^2}{NM}$

其中 $\sigma^2$ 为模板图像的方差， $N, M$ 分别是模板图像的宽和高

通过以上的分析，使用不同的方法计算，可以加快模板匹配的速度。

C++示例

string srcWindow = "src";
string temWindow = "tem";
string matchWindow = "match";
string resultWindow = "result";

int matchMethod = 5;

int main()
{
    string outDir = "./";
    Mat src = imread("src.jpg");
    Mat tem = imread("tem.jpg");
    
    Mat result;
    Mat matchResult;
    // 模板匹配
    matchTemplate(src, tem, result, matchMethod);
    // 获取最大值，最小值，以及对应的点
    Point minLoc, maxLoc, temLoc;
    double minVal, maxVal;
    minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);
    if(matchMethod == 0 || matchMethod == 1)
    {
        temLoc = minLoc;
    }
    else
    {
        temLoc = maxLoc;
    }
    // 获取匹配到的图像
    matchResult = src(Range(temLoc.y, temLoc.y+tem.rows), Range(temLoc.x, temLoc.x+tem.cols));
    // 在原图画矩形
    rectangle(src, Rect(temLoc.x, temLoc.y, tem.cols, tem.rows), Scalar(0, 0, 255), 2);
    imshow(resultWindow, result);
    imshow(srcWindow, src);
    imshow(matchWindow, matchResult);
    imshow(temWindow, tem);
    imwrite(outDir+"src.jpg", src);
    imwrite(outDir+"result.jpg", matchResult);
    waitKey(0);
    return 0;
}