OpenCV图像处理(十八)---图像之模板匹配

热力学温标是由威廉·汤姆森，第一代开尔文男爵于1848年利用热力学第二定律的推论卡诺定理引入的。它是一个纯理论上的温标，因为它与测温物质的属性无关。符号T，单位K（开尔文，简称开）。国际单位制（SI）的7个基本量之一，热力学温标的标度，符号为T。根据热力学原理得出，测量热力学温度，采用国际实用温标。热力学温度旧称绝对温度（absolute temperature）。单位是“开尔文”，英文是“Kelvin”简称“开”，国际代号“K”,但不加“°”来表示温度。开尔文是为了纪念英国物理学家Lord Kelvin而命名的。以绝对零度（0K）为最低温度，规定水的三相点的温度为 273.16K，开定义为水三相点热力学温度的1/273.16。

摄氏度为表示摄氏温度时代替开的一个专门名称。而水的三相点温度为0.01摄氏度。因此热力学温度T与人们惯用的摄氏温度t的关系是：T（K）=273.15+t(℃)。规定热力学温度的单位开（K)与摄氏温度的单位摄氏度（℃)的平均值完全相同。所以△T K = △T ℃。在表示温度差和温度间隔时，用K和用℃的值相同。                                                                

科普

知识

前言

     在上一期的文章中，我们学习了图像的直方图均衡化，了解到直方图均衡化能够更好的观察图像的细节部分，形成鲜明的对比度。今天，我们将继续学习图像的新知识--图像模板匹配。

一、模板匹配

     首先，我们从模板匹配的字义出发，模板顾名思义就是事先存在一个模板（图像或数据），然后利用这个模板进行下一步工作，匹配可以理解为比对的意思，因此，连起来就是事先有一个模板然后用这个模板与别的图像进行比对，最终的目的是在别的图像中找到我们事先准备好的模板，这样应该很好理解了吧。

     说点题外话，在深度学习兴起之前，在目标追踪领域使用最多的方法可能就是两种，一种是精度不高的直接进行模板匹配，另一种就是用各种各种特征工程的机器学习算法进行训练（SVM,KNN等）得到目标，实现追踪的目的。而如今，为了应对场景多样化，精度，稳定性，泛化能力，检测能力等等因素，深度学习中的各种目标检测方法得到的广泛的推崇，例如Yolov系列（version1-4,4是最近刚跟新的，但估计以后很难出现5了，据说Yolo之父退出了这个领域的研究）、SSD、R-CNN、SPP-Net、Fast R-CNN等等。这些算法的出现，使得目标追踪领域得到了前所未有的发展，落地项目也越来越多。

1.1 原始图像

图像一：

（以上图片（原始图像）中存在着模板图像，从这里面进行匹配）

图像二：

（以上图片为模板，小编直接从原始图片中截取）

1.2 代码实践

#coding:utf-8
import cv2


#导入需要进行模板匹配的大图片
src_img = cv2.imread("src_img.jpg")
#导入事先准备好的图片（模板图像）
key_img = cv2.imread("ai.jpg")
#获取模板图片的高度和宽度
key_height, key_width = key_img.shape[:2]
#调用函数matchTemplate()进行模板匹配
process_img = cv2.matchTemplate(src_img,key_img,cv2.TM_SQDIFF_NORMED)
#寻找矩阵中的最大值、最小值的匹配结果及其位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(process_img)
#绘制矩形边框，将匹配区域标注出来
#min_loc：矩形定点
#(min_loc[0]+key_width,min_loc[1]+key_height)：给出矩形尺寸
#(0,255,0)，RGB颜色原则，255位最大值，此时为绿色
# 一般情况下为了画矩形框直接调用函数就行，不需要返回值result_img
# 但是在后文的保存时，发现画框后的图像并没有保存
# 说明画框后的图像仅仅显示了，并没有写入原始图像，因此需要返回值的图像进行保存
result_img = cv2.rectangle(src_img,min_loc,(min_loc[0]+key_width,min_loc[1]+key_height),(0,255,0),2)
#显示结果,并将匹配值显示在标题栏上
cv2.imshow("result_img",src_img)
cv2.imwrite("result_im.jpg",result_img)
print("图像保存成功")
cv2.waitKey()
cv2.destroyAllWindows()

代码解读：从以上代码我们能够直接看出，代码首先读取木板图像和原始图像，随后得到了模板图像的尺寸，这个尺寸用于在后期的匹配成功后在原始图像中绘制矩形，紧接着，调用cv2.matchTemplate（）函数进行模板匹配，第一第二两个参数是原始图像和模板图像，匹配的方式是第三个参数，这里我们选择了cv2.TM_SQDIFF_NORMED,当然还有其他的匹配方式，我们选择了较为常用的。匹配成功之后，我们需要用cv2.minMaxLoc（）函数得到匹配的最大值最小值以及位置（这个位置通常是匹配最佳位置的左上角坐标），得到最佳位置的左上角坐标后，与模板的尺寸结合起来就可以在原始图像中利用cv2.rectangle（）函数绘制矩形框选匹配到的模板了。

1.3 效果演示

(可以看到，以上图像中我们的模板图像已经匹配成功，nice !)

END

结语

      今天的分享结到此束了，总的来说，代码比较简单，多看小编的注释哦，如果不清楚匹配后返回的值或者类型，就用老办法打印出来，看看是个啥，这样相当于每一步的调试，由此你能更加的理解代码。对于模板匹配，我们暂时只需要了解从大图中寻找小图就好，只是在匹配的过程中采用的方式不一样（cv2.matchTemplate（）函数的第三个参数），老铁们可以尝试其他方式匹配哦，当然了匹配算法很多，我们今天仅仅实践了一种而已，期待大家多多学习其他优秀的算法哦！

编辑：玥怡居士|审核：小圈圈居士

▼

往期精彩回顾

▼

OpenCV图像处理(十七)---图像直方图均衡化

OpenCV图像处理(十六)---图像直方图

OpenCV图像处理(十五)---图像轮廓特征

扫码关注我们

IT进阶之旅

我就知道你“在看”