opencv 模板匹配

模板匹配

[1. 模板匹配](#1. 模板匹配)
[2. 匹配方法（cv2.matchTemplate()）](#2. 匹配方法（cv2.matchTemplate()）)
- [2.1 平方差匹配（cv2.TM_SQDIFF）](#2.1 平方差匹配（cv2.TM_SQDIFF）)
- [2.2 归一化平方差匹配（cv2.TM_SQDIFF_NORMED）](#2.2 归一化平方差匹配（cv2.TM_SQDIFF_NORMED）)
- [2.3 相关匹配（cv2.TM_CCORR）](#2.3 相关匹配（cv2.TM_CCORR）)
- [2.4 归一化相关匹配（cv2.TM_CCORR_NORMED）](#2.4 归一化相关匹配（cv2.TM_CCORR_NORMED）)
- [2.5 相关系数匹配（cv2.TM_CCOEFF）](#2.5 相关系数匹配（cv2.TM_CCOEFF）)
- [2.6 归一化相关系数匹配（cv2.TM_CCOEFF_NORMED）](#2.6 归一化相关系数匹配（cv2.TM_CCOEFF_NORMED）)

1. 模板匹配

模板匹配就是用模板图（通常是一个小图）在目标图像（通常是一个比模板图大的图片）中不断的滑动比较，通过某种比较方法来判断是否匹配成功。

2. 匹配方法（cv2.matchTemplate()）

res=cv2.matchTemplate(image,templ,method)

参数说明：

image：原图像，这是一个灰度图像或彩色图像（在这种情况下，匹配将在每个通道上独立进行）。
templ：模板图像，也是灰度图像或与原图像相同通道数的彩色图像。
method：匹配方法，可以是以下之一：
- cv2.TM_CCOEFF 相关系数匹配
- cv2.TM_CCOEFF_NORMED 归一化相关系数匹配
- cv2.TM_CCORR 相关匹配
- cv2.TM_CCORR_NORMED 归一化相关匹配
- cv2.TM_SQDIFF 平方差匹配
- cv2.TM_SQDIFF_NORMED 归一化平方差匹配
- 这些方法决定了如何度量模板图像与原图像子窗口之间的相似度。
返回值res

函数在完成图像模板匹配后返回一个结果矩阵 ，这个矩阵的大小与原图像相同。矩阵的每个元素表示原图像中相应位置与模板图像匹配的相似度。

匹配方法不同，返回矩阵的值的含义也会有所区别。以下是几种常用的匹配方法及其返回值含义：
1. cv2.TM_SQDIFF 或 cv2.TM_SQDIFF_NORMED：
  
  返回值越接近0，表示匹配程度越好。最小值对应的最佳匹配位置。
2. cv2.TM_CCORR 或 cv2.TM_CCORR_NORMED：
  
  返回值越大，表示匹配程度越好。最大值对应的最佳匹配位置。
3. cv2.TM_CCOEFF 或 cv2.TM_CCOEFF_NORMED：
  
  返回值越大，表示匹配程度越好。最大值对应的最佳匹配位置。

2.1 平方差匹配（cv2.TM_SQDIFF）

以模板图与目标图所对应的像素值使用平方差公式来计算，其结果越小，代表匹配程度越高，计算过程举例如下。

注意：模板匹配过程皆不需要边缘填充，直接从目标图像的左上角开始计算。

绘制轮廓：

找的目标图像中匹配程度最高的点，我们可以设定一个匹配阈值来筛选出多个匹配程度高的区域。

loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的数组

*zip(loc)

代码如下：

python 复制代码

'''平方差匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate()，
    # 平方差匹配cv2.TM_SQDIFF 值越小越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_SQDIFF)
    #设置阈值筛选出非常相似的子图
    threshold=2000000
    # 找到满足要求的坐标
    loc=np.where(res<threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),2)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.2 归一化平方差匹配（cv2.TM_SQDIFF_NORMED）

与平方差匹配类似，只不过需要将值统一到0到1，计算结果越小，代表匹配程度越高，计算过程举例如下。

代码如下：

python 复制代码

    '''归一化平方差匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate()，
    # 归一化平方差匹配cv2.TM_SQDIFF------MORMED 值越小越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_SQDIFF_NORMED)
    #设置阈值筛选出非常相似的子图
    threshold=0.3
    # 找到满足要求的坐标
    loc=np.where(res<threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),2)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.3 相关匹配（cv2.TM_CCORR）

使用对应像素的乘积进行匹配 ，乘积的结果越大其匹配程度越高 ，计算过程举例如下。

代码如下：

python 复制代码

'''相关匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate()，
    # 相关匹配cv2.TM_CCORR 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCORR)
    #设置阈值筛选出非常相似的子图
    threshold=7300000
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

注意：

越大越好的话，如果原图有一片区域为白色那么久会被匹配上

2.4 归一化相关匹配（cv2.TM_CCORR_NORMED）

与相关匹配类似，只不过是将其值统一到0到1之间，值越大，代表匹配程度越高，计算过程举例如下

代码如下：

python 复制代码

'''归一化相关匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate()，
    # 相关匹配cv2.TM_CCORR_NORMDE 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCORR_NORMED)
    #设置阈值筛选出非常相似的子图
    threshold=0.9
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.5 相关系数匹配（cv2.TM_CCOEFF）

需要先计算模板与目标图像的均值，然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度，越大越匹配，计算过程举例如下。

代码如下：

python 复制代码

'''相关系数匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate()，
    # 相关系数匹配cv2.TM_CCOEFF 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCOEFF)
    #设置阈值筛选出非常相似的子图
    threshold=3000000
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)

2.6 归一化相关系数匹配（cv2.TM_CCOEFF_NORMED）

也是将相关系数匹配的结果统一到0到1之间，值越接近1代表匹配程度越高，计算过程举例如下。

代码如下：

python 复制代码

'''归一化相关系数匹配'''
    img=cv2.imread("../15day4.10/src/game.png")
    temp=cv2.imread("../15day4.10/src/temp.png")
    h,w,c=temp.shape
    #获取匹配后的相似值cv2.matchTemplate()，
    # 相关系数匹配cv2.TM_CCOEFF_NORMED 值越大越相似
    res=cv2.matchTemplate(img,temp,cv2.TM_CCOEFF_NORMED)
    #设置阈值筛选出非常相似的子图
    threshold=0.8
    # 找到满足要求的坐标
    loc=np.where(res>threshold)
    #用一个矩形框圈出符合要求的图像
    for el in zip(*loc):
        cv2.rectangle(img,el[::-1],(el[1]+w,el[0]+h),(255,0,255),1)
    cv2.imshow("img",img)
    cv2.imshow("temp",temp)
    cv2.waitKey(0)