Opencv (C++)系列学习---模板匹配

目录

1.模板匹配的定义

2.API介绍

3.寻找最优匹配位置（匹配后的配套操作）

4.具体代码

---

1.模板匹配的定义

        模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域，该匹配方法并不是基于直方图，而是使用一个图像块在输入图像上进行“”滑动“”。（也就是在图像上按照模板大小一块一块比对）

2.API介绍

void cv::matchTemplate（
cv::InputArray image //需要匹配的图像
cv::InputArray temp  //模板图像
cv::OutArray  result //存储的计算得到的结果
int           method  //匹配的方法
）

对于该算子需要注意的有两点：

1.result是存储匹配的结果，对于它的定义为单通道的大小为(image.width-temp.width+1,image.height-temp.height+1)，也就是原图的大小裁去temple模板的宽高，不过其定义rows和cols需要交换位置(正常图像Mat定义先rows后cols)，同时数据类型可以是CV_8UC1或者CV_32FC1。具体定义如下：

Mat result(image.cols-temp.cols+1,image.rows-temp.rows+1,CV_32FC1)

2.匹配方法介绍

cv::TM_SQDIFF==0（方差匹配法）

cv::TM_SQDIFF_NORMED==1（归一方差匹配法）

cv::TM_CCORR==2（相关性匹配方法）

cv::TM_CCORR_NORMED==3（归一化的互相关匹配法）

cv::TM_CCOEFF==4（相关系数匹配法）

cv::TM_CCOEFF_NORMED==5(归一化相关系数匹配方法)

对于前两种方差匹配方法0和1，完全匹配后值为0，不匹配值很大（值越小，匹配效果越好）。

对于中间两种相关匹配方法2和3，完全匹配后值很大，不匹配时值很小，接近于0。（值越大，匹配效果越好）。

对于最后两种相关系数匹配方法4和5，完全匹配会得到1，完全误匹配会得到-1。（分值介于-1-1，值越大，匹配效果越好）。

3.寻找最优匹配位置（匹配后的配套操作）

1.cv::normalize 归一化，在同样的代码中选择不同的匹配方法，其result值的结果也不一致，通过归一化算子中cv::NORM_MINMAX方向可以将各点的匹配结果线性映射到0-1之间。

2.cv::minMaxLoc()最小和最大点查找，通过该算子可以将result中结果进行查找，找到分数最小最大值和其在result中的位置。

4.具体代码

#include<iostream>
#include<opencv2\opencv.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>

using namespace std;
using namespace cv;

#define WINDOW_NAME1 "【原始图片】"
#define WINDOW_NAME2 "【效果窗口】"

//定义全局变量
Mat g_srcImage, g_templateImage, g_resultImage;
int g_nMatchmethod;
int g_nMatTrackbarNum = 5;

//定义全局函数
void on_Matching(int, void*);

int main(int argc,char** argv)
{
	//【1】载入原图像和模块板
	g_srcImage = imread("E:\\进度\\11-16\\模板匹配\\1.jpg",1);
	g_templateImage = imread("E:\\进度\\11-16\\模板匹配\\2.jpg",1);

	//【2】创建窗口
	namedWindow(WINDOW_NAME1,WINDOW_AUTOSIZE);
	namedWindow(WINDOW_NAME2, WINDOW_AUTOSIZE);

	//【3】创建滑动条并进行初始化
	createTrackbar("方法",WINDOW_NAME1,&g_nMatchmethod,g_nMatTrackbarNum,on_Matching);
	on_Matching(0,0);

	waitKey(0);
	return 0;

}

//回调函数
void on_Matching(int, void*)
{
	//【1】 给局部变量初始化
	Mat srcImage;
	g_srcImage.copyTo(srcImage);

	//【2】初始化用于结果输出的矩阵
	int resultImage_cols = g_srcImage.cols - g_templateImage.cols + 1;
	int resultImage_rows = g_srcImage.rows - g_templateImage.rows + 1;

	g_resultImage.create(resultImage_cols,resultImage_rows,CV_32FC1);

	//【3】进行模板匹配
	matchTemplate(g_srcImage,g_templateImage,g_resultImage,g_nMatchmethod);
	normalize(g_resultImage,g_resultImage,0,1,NORM_MINMAX);

	//【4】通过函数minMaxLoc 定位最匹配的位置
	double minvalue, maxValue;
	Point minLocation, maxLocation, MatLocation;
	minMaxLoc(g_resultImage,&minvalue,&maxValue,&minLocation,&maxLocation);
	

	//【5】对于方法SQDIFF和SQDIFF_NORMED越小值有着更高的匹配结果，而其余的方法，数值越大匹配效果越好。
	if (g_nMatchmethod == TM_SQDIFF || g_nMatchmethod == TM_SQDIFF_NORMED)
	{
		MatLocation = minLocation;
	}
	else
	{
		MatLocation = maxLocation;
	}

	//【6】绘制出矩阵，并显示最终结果
	rectangle(srcImage, MatLocation, Point(MatLocation.x + g_templateImage.cols, MatLocation.y + g_templateImage.rows), Scalar(0, 0, 255), 2, 16);
	rectangle(g_resultImage, MatLocation, Point(MatLocation.x + g_templateImage.cols, MatLocation.y + g_templateImage.rows), Scalar(0, 0, 255), 2, 16);

	imshow(WINDOW_NAME1,srcImage);
	imshow(WINDOW_NAME2,g_resultImage);

}

运行结果如下图：

通过对匹配方法的各个结果对比发现，归一化的匹配方法（2和3）在大多数情况下都会有好的结果，特别是室外环境的图像。相关系数方法的匹配效果更好，但是计算时间代价高。在实际的应用中，尤其是通过摄像头进行自动部件的检测或者特征跟踪，应该尝试使用所有的方法，从中找到一个同时兼顾效率和准确率的方法。