《OpenCV计算机视觉》—— 模板匹配

一、模板匹配简单介绍

• 在Python中，模板匹配是一种在图像中查找与给定模板最相似区域的技术。

• 模板匹配的基本步骤包括：

  • 1.加载图像和模板：首先，你需要加载你想要搜索的图像（通常称为“原图”）和你想要匹配的模板图像。模板图像应该是原图中的一个较小部分。
  • 2.执行模板匹配：使用OpenCV的cv2.matchTemplate()函数在原图上滑动模板，并计算每个位置的匹配度。这个函数会返回一个矩阵，其中每个元素表示模板在原图对应位置上的匹配程度。
  • 3.查找最佳匹配：使用cv2.minMaxLoc()函数在匹配度矩阵中找到最大值（或最小值，取决于你使用的匹配方法）及其位置。这个位置就是模板在原图中最佳匹配的位置。
  • 4.在原图上绘制匹配区域：为了可视化结果，你可以在原图上绘制一个矩形来标记匹配到的区域。

二、三个主要函数的介绍

1.执行模板匹配函数-cv2.matchTemplate()

• result = cv2.matchTemplate(image, template, method, mask=None)
• 参数说明：
  • image：要在其中搜索模板的原图像。
  • template：要在原图中搜索的模板图像。它应该比原图小。
  • method:用于比较模板和原图的区域的匹配方法，OpenCV 提供了几种不同的方法:
    • TM_SQDIFF ：平方差匹配法:该方法采用平方差来进行匹配;匹配越好，值越小;匹配越差，值越大。
    • TM_CCORR ：相关匹配法:该方法采用乘法作;数值越大表明匹配程度越好。
    • TM_CCOEFF ：相关系数匹配法:数值越大表明匹配程度越好。
    • TM_SQDIFF_NORMED ：归一化平方差匹配法，匹配越好，值越小;匹配越差，值越大。
    • TM_CCORR_NORMED ：归一化相关匹配法，数值越大表明匹配程度越好。
    • TM_CCOEFF_NORMED ：归一化相关系数匹配法，数值越大表明匹配程度越好。
• 返回值 result 是一个矩阵，其大小取决于原图和模板的大小以及使用的匹配方法。矩阵中的每个元素都表示模板在原图对应位置上的匹配程度。对于某些方法（如平方差匹配），值越小表示匹配程度越高；而对于其他方法（如相关匹配），值越大表示匹配程度越高。

2.查找最佳匹配函数-cv2.minMaxLoc()

• minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(src, mask=None)

• 参数说明：

  • src：输入的二维数组（如灰度图像或匹配结果矩阵）。
  • mask：一个与 src 相同大小的掩码图像，用于指定 src 中哪些区域应该被考虑（通常不用）。

• 返回值：

  • minVal：数组中的最小值。
  • maxVal：数组中的最大值。
  • minLoc：最小值的坐标（一个二元组，(x, y)）。
  • maxLoc：最大值的坐标（一个二元组，(x, y)）。

3.在原图上绘制匹配区域函数-cv2.rectangle()

• cv2.rectangle(img, pt1, pt2, color, thickness=None, lineType=None, shift=None)

• 参数说明：

  • img：要在其上绘制矩形的图像。这应该是一个单通道（灰度）图像或三通道（彩色）图像。
  • pt1：矩形的一个角的坐标，这是一个二元组（tuple），格式为 (x, y)。
  • pt2：矩形对角线上的另一个角的坐标，也是一个二元组，格式为 (x, y)。注意，这个对角线上的点不需要是矩形的右下角或右上角，它只需要与 pt1 形成对角线即可。
  • color：矩形的颜色。对于灰度图像，这是一个介于0（黑色）和255（白色）之间的标量。对于彩色图像，这是一个三元组，分别代表蓝色、绿色和红色的强度，值的范围也是从0到255。
  • thickness：线条的粗细（可选）。如果设置为 -1，则填充矩形。默认值是 1。
  • lineType：线条的类型（可选）。例如，cv2.LINE_8 表示8连接线，cv2.LINE_AA 表示抗锯齿线。如果未指定，则默认为 cv2.LINE_8。
  • shift：坐标点和线条粗细的小数位数（可选）。这个参数通常保持为默认值 0。

• 返回绘制好的图片

三、代码实现

import cv2

# 读取原图和标签图
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
# 显示原图和标签图
cv2.imshow('kele', kele)
cv2.imshow('template', template)

# 进行模板匹配
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)  # 返回匹配结果的矩阵

# 查找最佳匹配
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值，以及最小值坐标和最大值坐标
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最佳匹配位置(数组)中的：最小值、最大值、最小值坐标、最大值坐标
top_left = max_loc  # 左上角点的坐标就是最大值位置的坐标
h, w = template.shape[:2]  # 获取标签图的高和宽
bottom_right = (top_left[0] + w, top_left[1] + h)  # 右下角点的坐标
# 绘制矩形
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)

# 显示绘制后的原图
cv2.imshow('kele_template', kele_template)

# 等待任意键按下后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

• 结果如下