opencv学习：模板匹配和argparse 模块的代码实现及优缺点-CSDN博客

本文链接：https://blog.csdn.net/mohanyelong/article/details/142106802

模板匹配

模板匹配算法（Template Matching Algorithm），这是一种在图像处理和计算机视觉领域常用的方法，用于在一个大图像中寻找一个小模板图像的位置。模板匹配算法通过滑动窗口的方式在目标图像上移动模板图像，并计算模板图像与目标图像的局部区域之间的相似度。

算法步骤

读取图像：
- kele 是目标图像，其中可能包含模板图像。
- temple 是模板图像，即我们希望在目标图像中找到的图像。
```
kele=cv2.imread('kele.png')
temple=cv2.imread('temple.png')
```
获取模板尺寸：
- 使用 temple.shape[:2] 获取模板图像的高度和宽度。
```
h,w=temple.shape[:2]
```
模板匹配操作：
- 使用 cv2.matchTemplate() 函数进行模板匹配。这个函数在目标图像上滑动模板图像，并计算每个位置的匹配度。
- cv2.TM_CCOEFF_NORMED 是匹配方法之一，它使用标准化的相关系数来衡量匹配度。这种方法对亮度变化和对比度变化具有一定程度的鲁棒性。
```
res=cv2.matchTemplate(kele,temple,cv2.TM_CCOEFF_NORMED)
```
找到最佳匹配位置：
- cv2.minMaxLoc() 函数用于找到匹配结果矩阵中的最小值和最大值及其位置。在这个上下文中，最大值位置 maxloc 表示最佳匹配的位置。
```
minval,maxval,minloc,maxloc=cv2.minMaxLoc(res)
```
计算匹配区域的坐标：
- topleft 是最佳匹配的左上角坐标。
- bottomright 是匹配区域的右下角坐标，通过将 topleft 与模板图像的尺寸相加得到。
```
topleft=maxloc
bottomright=(topleft[0]+w,topleft[1]+h)
```
在原图上绘制矩形框：
- 使用 cv2.rectangle() 在目标图像上绘制一个矩形框，标记出匹配区域。
```
keletemple=cv2.rectangle(kele,topleft,bottomright,(0,255,0),2)
```
显示结果图像：
- 使用 cv2.imshow() 显示结果图像，其中包括绘制的矩形框。
```
cv2.imshow('keletemple',keletemple)
cv2.waitKey(0)
```

`argparse` 模块

argparse 模块的命令行参数解析脚本。argparse 模块用于编写用户友好的命令行接口。程序定义了一组参数，用户可以在命令行中设置这些参数的值，或者使用默认值。

导入 argparse 模块：
```
import argparse
```
创建 ArgumentParser 对象：
```
parser = argparse.ArgumentParser()
```
这行代码创建了一个 ArgumentParser 对象，用于处理命令行参数。
添加参数：
- --serial：一个字符串类型的参数，用于指定串行端口，有一个默认值 'com5'。
- --area：一个整数类型的参数，用于指定面积，默认值为 1500。
- --confid：一个浮点数类型的参数，用于指定信任度，默认值为 0.8。
- --aaa：一个整数类型的参数，有一个默认值 100。
- -b 和 --bb：这是同一个参数的短选项和长选项，用于指定一个整数，默认值为 10。
解析命令行参数：
```
opt = parser.parse_args()
```
这行代码解析命令行参数，并将解析后的参数存储在 opt 对象中。
访问参数值：
```
aa = opt.aaa
bb = opt.bb
```
这两行代码从 opt 对象中获取 --aaa 和 --bb 参数的值。
使用示例

假设这段代码保存在名为 script.py 的文件中，你可以在命令行中运行以下命令来传递参数：
```
python script.py --serial com3 --area 2000 --confid 0.9 --aaa 150 -b 20
```