目录
[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)
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
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
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
# 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
# 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
# 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
'''---------------------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
- 模板图像尺寸应小于源图像尺寸
- 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
- 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 - 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