模板匹配（opencv_python学习）

在OpenCV中，模板匹配是一种在图像中寻找指定模板的技术。它可以帮助我们在一幅图像中找到与给定模板最相似的区域。

一般模板匹配

cv.matchTemplate()函数用于在图像中执行模板匹配操作。它采用两个参数：原始图像和模板图像，并返回一个匹配结果的矩阵。它的语法如下：

result = cv.matchTemplate(image, template, method[, result[, mask]])

参数说明：

• image：原始图像，可以是灰度图像或彩色图像。
• template：模板图像，必须与原始图像具有相同的数据类型和通道数。
• method：模板匹配方法，指定不同的比较方式。常用的方法有：

• cv.TM_SQDIFF：平方差匹配方法。
• cv.TM_SQDIFF_NORMED：归一化平方差匹配方法。
• cv.TM_CCORR：相关性匹配方法。
• cv.TM_CCORR_NORMED：归一化相关性匹配方法。
• cv.TM_CCOEFF：相关系数匹配方法。
• cv.TM_CCOEFF_NORMED：归一化相关系数匹配方法。
• 如果方法是TM_SQDIFF或TM_SQDIFF_NORMED，则取最小值

• result（可选）：输出的匹配结果矩阵，大小为(W-w+1, H-h+1)，其中(W, H)是原始图像的大小，(w, h)是模板图像的大小。
• mask（可选）：用于指定感兴趣区域的掩码图像，与原始图像和模板图像具有相同的大小。

返回值：

• 如果省略了result参数，则返回一个包含匹配结果的矩阵。
• 如果指定了result参数，则将匹配结果存储在result中，并返回None。

注意：

• image和template必须具有相同的数据类型（通常为uint8或float32）和通道数。
• template的大小通常应小于或等于image的大小，否则可能无法找到匹配。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('pic1.jpg', 0)
img2 = img.copy()
template = cv.imread('template.jpg', 0)
w, h = template.shape[::-1]
# 列表中所有的6种比较方法
methods = ['cv.TM_CCOEFF', 'cv.TM_CCOEFF_NORMED', 'cv.TM_CCORR',
           'cv.TM_CCORR_NORMED', 'cv.TM_SQDIFF', 'cv.TM_SQDIFF_NORMED']
for meth in methods:
    img = img2.copy()
    method = eval(meth)
    # 应用模板匹配
    res = cv.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
    # 如果方法是TM_SQDIFF或TM_SQDIFF_NORMED，则取最小值
    if method in [cv.TM_SQDIFF, cv.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)
    cv.rectangle(img, top_left, bottom_right, 255, 2)
    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
    plt.subplot(122), plt.imshow(img, cmap='gray')
    plt.title('Detected Point'), plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

以上是较为准确的结果

多对象的模板匹配

搜索具有多次出现的对象时，cv.minMaxLoc()不会为您提供所有位置。在这种情况下，我们将使用阈值化。

与之前的示例类似，但是不再使用cv.minMaxLoc()函数。相反，它直接使用了阈值化方法来筛选匹配结果，并获取满足阈值条件的位置坐标。

threshold = 0.8
loc = np.where( res >= threshold)

在这个示例中，我们设置了一个阈值为0.8，对应于匹配结果的相似度。然后，使用np.where()函数找到满足阈值条件的坐标位置，并在原始图像上绘制矩形框来标记匹配到的对象。