25 OpenCV模板匹配算法

介绍

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。
所以模板匹配首先需要一个模板图像T（给定的子图像）
另外需要一个待检测的图像-源图像S
工作方法，在带检测图像上，从左到右，从上向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。

匹配算法介绍

其中 TM_SQDIFF 和 TM_SQDIFF_NORMED 方法的相似度值越小代表匹配程度越高，而其他方法则是相反，相似度值越大代表匹配程度越高。

matchTemplate 模板匹配算子

matchTemplate(
InputArray image,// 源图像，必须是8-bit或者32-bit浮点数图像
InputArray templ,// 模板图像，类型与输入图像一致
OutputArray result,// 输出结果，必须是单通道32位浮点数，假设源图像WxH,模板图像wxh,
	             则结果必须为W-w+1, H-h+1的大小。
int method,//使用的匹配方法
InputArray mask=noArray()//(optional)
)

minMaxLoc 找出图像中的最大值最小值

double cv::minMaxLoc(InputArray src, OutputArray minVal, OutputArray maxVal, OutputArray minLoc, OutputArray maxLoc, InputArray mask = noArray());
src:输入图像或矩阵，可以是单通道、多通道或彩色图像。
minVal:输出参数，指向一个double类型的指针，用于存储计算得到的最小值。
maxVal:输出参数，指向一个double类型的指针，用于存储计算得到的最大值。如果不提供此参数，则默认为0。
minLoc:输出参数，指向一个Point类型的指针，用于存储计算得到的最小值的位置。如果不提供此参数，则默认为0。
maxLoc:输出参数，指向一个Point类型的指针，用于存储计算得到的最大值的位置。如果不提供此参数，则默认为0。
mask:可选参数，输入图像或矩阵，用于指定感兴趣区域。只有位于mask内的像素才会被计算最小值和最大值。如果不提供此参数，则默认为noArray()。

minMaxLoc 的用法以及场景

图像分割：在图像分割中，需要找到图像中的前景和背景，可以使用minMaxLoc函数来确定前景和背景的阈值。
目标检测：在目标检测中，需要找到目标的位置，可以使用minMaxLoc函数来确定目标的边界框。
特征提取：在特征提取中，需要找到图像中的特征点，可以使用minMaxLoc函数来确定特征点的位置

代码示例

#include <opencv2/opencv.hpp>
#include <iostream>

#include <math.h>
using namespace std;
using namespace cv;

Mat src, temp, dst; // 原始图像、模板图像、结果图像
int match_method = TM_SQDIFF; // 匹配方法，默认使用平方差匹配方法
int max_track = 5; // 最大匹配方法数
const char* INPUT_T = "input image"; // 输入图像窗口名称
const char* OUTPUT_T = "result image"; // 结果图像窗口名称
const char* match_t = "template match-demo"; // 模板匹配演示窗口名称

// 模板匹配函数声明
void Match_Demo(int, void*);

int main(int argc, char** argv) {
	// 加载待检测图像和模板图像
	src = imread("D:/vcprojects/images/flower.png");
	temp = imread("D:/vcprojects/images/t2.png");
	if (src.empty() || temp.empty()) {
		printf("could not load image...\n");
		return -1;
	}

	// 创建窗口并显示图像
	namedWindow(INPUT_T);
	namedWindow(OUTPUT_T);
	namedWindow(match_t);
	imshow(INPUT_T, temp);

	// 创建滑动条用于选择匹配方法
	const char* trackbar_title = "Match Algo Type:";
	createTrackbar(trackbar_title, OUTPUT_T, &match_method, max_track, Match_Demo);

	// 初始调用模板匹配函数
	Match_Demo(0, 0);

	waitKey(0);
	return 0;
}

// 模板匹配函数实现
void Match_Demo(int, void*) {
	// 计算模板匹配结果图像的宽度，确保不超出原始图像边界
	int width = src.cols - temp.cols + 1;

	// 计算模板匹配结果图像的高度，确保不超出原始图像边界
	int height = src.rows - temp.rows + 1;

	// 创建存储模板匹配结果的矩阵
	Mat result(width, height, CV_32FC1);

	// 进行模板匹配
	matchTemplate(src, temp, result, match_method, Mat());
	normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());

	Point minLoc;
	Point maxLoc;
	double min, max;
	src.copyTo(dst);
	Point temLoc;
	//其中 TM_SQDIFF 和 TM_SQDIFF_NORMED 方法的相似度值越小代表匹配程度越高，
	//而其他方法则是相反，相似度值越大代表匹配程度越高
	minMaxLoc(result, &min, &max, &minLoc, &maxLoc, Mat());
	if (match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED) {
		temLoc = minLoc;
	} else {
		temLoc = maxLoc;
	}

	// 绘制匹配结果矩形框
	rectangle(dst, Rect(temLoc.x, temLoc.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, 8);
	rectangle(result, Rect(temLoc.x, temLoc.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, 8);
	
	// 显示结果图像和匹配结果
	imshow(OUTPUT_T, result);
	imshow(match_t, dst);
}