OpenCV 模板匹配

目录

一、模板匹配原理

二、实现步骤

[1. 导入库并读取图像](#1. 导入库并读取图像)

[2. 获取模板尺寸](#2. 获取模板尺寸)

[3. 执行模板匹配](#3. 执行模板匹配)

[4. 查找最佳匹配位置](#4. 查找最佳匹配位置)

[5. 绘制匹配区域并显示结果](#5. 绘制匹配区域并显示结果)

三、完整代码

四、注意事项


在计算机视觉领域,模板匹配是一种简单有效的目标检测方法,它可以在一幅图像中快速查找与模板图像相似的区域。本文将基于 OpenCV 库,介绍如何使用模板匹配技术在图像中定位目标。


一、模板匹配原理

模板匹配的基本原理是:将模板图像在待检测图像上滑动,计算模板与图像中每个对应区域的匹配程度,最终找到匹配度最高的区域。

OpenCV 提供了cv2.matchTemplate()函数实现模板匹配,其主要参数如下:

  • image:待搜索的源图像
  • templ:模板图像
  • method:匹配算法,常用的有 6 种:
    • TM_SQDIFF:平方差匹配法(值越小匹配越好)
    • TM_CCORR:相关匹配法(值越大匹配越好)
    • TM_CCOEFF:相关系数匹配法(值越大匹配越好)
    • TM_SQDIFF_NORMED:归一化平方差匹配法
    • TM_CCORR_NORMED:归一化相关匹配法
    • TM_CCOEFF_NORMED:归一化相关系数匹配法(推荐使用)

二、实现步骤

下面通过一个实例演示如何在可乐图像中定位模板图案:

1. 导入库并读取图像

首先需要导入 OpenCV 库,并读取源图像和模板图像:

python 复制代码
import cv2

# 读取源图像和模板图像
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')

# 显示原始图像和模板图像
cv2.imshow('kele', kele)
cv2.imshow('template', template)
cv2.waitKey(0)

2. 获取模板尺寸

获取模板图像的高度和宽度,用于后续绘制匹配区域:

python 复制代码
h, w = template.shape[:2]  # 获取模板的高和宽

3. 执行模板匹配

使用归一化相关系数匹配法进行模板匹配:

python 复制代码
# 执行模板匹配,返回匹配结果矩阵
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)

4. 查找最佳匹配位置

通过cv2.minMaxLoc()函数找到匹配结果中的最大值(最佳匹配)及其位置:

python 复制代码
# 获取匹配结果中的最值及位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc  # 最佳匹配区域的左上角坐标

5. 绘制匹配区域并显示结果

根据模板尺寸和最佳匹配位置,绘制矩形框标记匹配区域:

python 复制代码
# 计算匹配区域右下角坐标
bottom_right = (top_left[0] + w, top_left[1] + h)

# 绘制矩形框标记匹配区域
kele_template = cv2.rectangle(kele, top_left, bottom_right, color=(0, 255, 0), thickness=2)

# 显示匹配结果
cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)

三、完整代码

python 复制代码
'''---------------------模板匹配---------------------'''
# cv2.matchTemplate(image, templ, method, result=None, mask=None)
# image:待搜索图像
# templ:模板图像
# method:计算匹配程度的方法,可以有:
#   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:该方法采用乘法操作;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。
import cv2

kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
cv2.imshow('kele', kele)
cv2.imshow('template', template)
cv2.waitKey(0)

h, w = template.shape[:2]
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)  # 返回匹配结果的矩阵
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值,以及最小值的索引号和最大值的索引号
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最小值、最大值、最小值位置、最大值位置
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
kele_template = cv2.rectangle(kele, top_left, bottom_right, color=(0, 255, 0), thickness=2)  # 绘制矩形

cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)

四、注意事项

  1. 模板图像尺寸应小于源图像尺寸
  2. 不同的匹配方法对光照、旋转等变化的鲁棒性不同,实际应用中需根据场景选择
  3. 归一化的匹配方法(带NORMED后缀)通常效果更好,适用于不同亮度条件
  4. 该方法只能检测与模板方向、尺寸完全一致的目标,对于有旋转或尺度变化的目标需要其他方法
相关推荐
GIS数据转换器18 小时前
2025无人机在低空物流中的应用实践
大数据·网络·人工智能·安全·无人机
云卓SKYDROID18 小时前
无人机台风天通信技术要点
人工智能·无人机·航电系统·高科技·云卓科技
致Great19 小时前
AI Agent的四象限法则:解码智能体应用的底层逻辑
人工智能·大模型·agent·智能体·deepresearch
余衫马19 小时前
大模型实战:通义万相2.1-文生视频-1.3B
人工智能·大模型·文生视频
阿里云大数据AI技术19 小时前
云上AI推理平台全掌握(6):大规模EP专家并行
人工智能
yanxing.D19 小时前
OpenCV轻松入门_面向python(第五章几何变换)
图像处理·人工智能·python·opencv
电商软件开发 小银19 小时前
wo店模式兴起旧模式式微:本地生活服务市场的深度变革
大数据·人工智能·商业模式·本地生活·数字化生活·实体店转型·wo店模式
泰迪智能科技19 小时前
泰迪智能科技分享数据挖掘定义、主要方法、预处理、应用领域
人工智能·科技·数据挖掘
Q_Q196328847519 小时前
python+django/flask+springboot个性化旅游推荐系统(数据可视化) 景点推荐 路线匹配 用户画像建模 智能搜索筛选 图文展示系统
spring boot·python·django·flask·node.js
爱隐身的官人19 小时前
Tomcat 相关漏洞扫描器(一)
python·web安全·tomcat