OpenCV与图像处理学习十六——模板匹配

一、模板匹配介绍

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定目标的图像位于图像的什么地方，进而对图像进行定位。

在待检测的图像上，从左到右，从上到下计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性越大。

二、代码应用

OpenCV中的函数：

result = cv2.matchTemplate(	image, templ, method[, result[, mask]] )

参数如下所示：

1. image：待搜索的原图，必须是灰度图或4通道图。
2. templ：模板图像，必须不大于原图像并具有相同的数据类型。
3. method：表示计算匹配程度的方法。
   TM_SQDIFF_NORMED是标准平方差匹配，通过计算两图之间平方差来进行匹配，最好匹配为0，匹配越差，匹配值越大。
   TM_CCORR_NORMED是标准相关性匹配，采用模板和图像间的乘法操作，数越大表示匹配程度越高，0表示最坏的匹配效果，这种方法除了亮度线性变化对相似度计算的影响。
   TM_CCOEFF_NORMED是标准相关性系数匹配，两图减去各自的平均值之外，还要各自除以各自的方差。将模板对其均值的相对值与图像对其均值的相关值进行匹配，1表示完美匹配，-1表示糟糕的匹配，0表示没有任何相关性（随机序列）。

获取相关性最大最小值及其位置的函数：

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(	src[, mask]	)

参数如下所示：

即返回最大值及其位置、最小值及其位置。

看个例子：

# 模板匹配
import cv2
import numpy as np

def template_demo(tpl, target):
    methods = [cv2.TM_SQDIFF_NORMED, cv2.TM_CCORR_NORMED, cv2.TM_CCOEFF_NORMED]  # 3种模板匹配方法
    th, tw = tpl.shape[:2]
    for md in methods:
        # print(md)
        result = cv2.matchTemplate(target, tpl, md)
        # print(result.shape)
        min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
        print(min_val, max_val, min_loc, max_loc)
        # 找匹配效果最好的位置，TM_SQDIFF_NORMED方法值越小越好，另外两种越大越好
        if md == cv2.TM_SQDIFF_NORMED:
            tl = min_loc
        else:
            tl = max_loc
        br = (tl[0] + tw, tl[1] + th)  # br是矩形右下角的点的坐标
        cv2.rectangle(target, tl, br, (0, 0, 255), 2)
        cv2.namedWindow("match-" + np.str(md), cv2.WINDOW_NORMAL)
        cv2.imshow("match-" + np.str(md), target)

tpl = cv2.imread("image/sample2.jpg")
print(tpl.shape)
target = cv2.imread("image/target1.jpg")
print(target.shape)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.namedWindow('template image', cv2.WINDOW_NORMAL)
cv2.imshow("template image", tpl)
cv2.namedWindow('target image', cv2.WINDOW_NORMAL)
cv2.imshow("target image", target)
template_demo(tpl, target)
cv2.waitKey(0)
cv2.destroyAllWindows()

模板和待匹配的图如下所示：

三种匹配方法的效果如下所示：

cv2.TM_SQDIFF_NORMED：

cv2.TM_CCORR_NORMED：

cv2.TM_CCOEFF_NORMED：

都是可以很好的匹配上，但是这里是匹配度很高时的一个例子，如果模板的匹配度没那么高，这种方法的效果就会打折扣。