计算机视觉处理（OpenCV基础教学（二十一）：模板匹配技术详解）

OpenCV基础教学（二十一）：模板匹配技术详解

模板匹配是计算机视觉中一种重要的目标检测方法，它通过在较大图像中搜索特定模板图像的位置来识别目标。本文将详细讲解模板匹配的基本原理与实现方法。

总流程图:

一、什么是模板匹配？

1.1 模板匹配的概念

模板匹配是一种在较大图像（源图像）中查找与给定模板图像（小图像）最相似区域的技术。简单来说，就是将模板图像在源图像上滑动，计算每个位置的相似度，找到最佳匹配位置。

1.2 模板匹配的应用场景

目标检测：在图像中检测特定物体
图像配准：对齐两幅相似的图像
质量检测：检查产品是否与标准模板一致
特征提取：在图像中定位特定特征

二、模板匹配详细步骤

python 复制代码

# 导入Opencv库
import cv2
import numpy as np

# 1. 读取图片
image_np = cv2.imread('./picture.png')
template = cv2.imread('./muban.png')

# 2. 对读取到的模板图及原图像进行灰度化
image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)

# 获取模板图的宽和高，方便后面进行绘图
h, w = template_gray.shape[:2]

# 3. 进行模板匹配的操作
res = cv2.matchTemplate(image_np_gray, template_gray, cv2.TM_CCOEFF_NORMED)
print(res)

# 4. 对返回的结果做进一步处理
threshold = 0.57

# 对某数组的数据进行判断，如果满足条件，就返回其对应的坐标
# 这里要注意的是，他返回的是行和列的坐标。
# 对应到Opencv里，就是某一个点的y和x的坐标
location = np.where(res > threshold)

# print(location)
# print(location[::-1])
# for i in zip(*location[::-1]):
#     print(i)

# 5. 对得到的点的坐标进行翻转处理，并再原图中框出来
for left_top in zip(*location[::-1]):
    right_bottom = (left_top[0] + w, left_top[1] + h)
    cv2.rectangle(image_np, left_top, right_bottom, (0, 0, 255))

# # 6. 显示模板匹配的结果
cv2.imshow('image_np', image_np)
cv2.waitKey(0)

2.1 读取图像和模板

python 复制代码

# 导入OpenCV库
import cv2
import numpy as np

# 1. 读取图片
image_np = cv2.imread('./picture.png')    # 源图像
template = cv2.imread('./muban.png')      # 模板图像

2.2 灰度化处理

为了提高匹配速度，通常将图像转换为灰度图像：

python 复制代码

# 2. 对读取到的模板图及原图像进行灰度化
image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)

# 获取模板图的宽和高，方便后面进行绘图
h, w = template_gray.shape[:2]
print(f"模板图像尺寸: 宽度={w}, 高度={h}")

2.3 进行模板匹配

使用matchTemplate()函数进行模板匹配：

python 复制代码

# 3. 进行模板匹配的操作
res = cv2.matchTemplate(image_np_gray, template_gray, cv2.TM_CCOEFF_NORMED)
print("匹配结果矩阵形状:", res.shape)

2.4 设置阈值并提取匹配位置

python 复制代码

# 4. 对返回的结果做进一步处理
threshold = 0.57

# 对某数组的数据进行判断，如果满足条件，就返回其对应的坐标
# 这里要注意的是，他返回的是行和列的坐标。
# 对应到OpenCV里，就是某一个点的y和x的坐标
location = np.where(res >= threshold)

# 打印匹配位置的数量
print(f"找到 {len(location[0])} 个匹配位置")

2.5 绘制匹配结果

python 复制代码

# 5. 对得到的点的坐标进行翻转处理，并在原图中框出来
# 注意：location返回的是(y, x)坐标，需要转换为(x, y)
for left_top in zip(*location[::-1]):
    right_bottom = (left_top[0] + w, left_top[1] + h)
    cv2.rectangle(image_np, left_top, right_bottom, (0, 0, 255), 2)

# 6. 显示模板匹配的结果
cv2.imshow('image_np', image_np)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、关键函数详解

3.1 cv2.matchTemplate()

python 复制代码

cv2.matchTemplate(image, templ, method[, result])

功能：在源图像中搜索模板图像

参数说明：

image：源图像（搜索图像），必须是8位或32位浮点型
templ：模板图像，不能大于源图像，且类型必须相同
method：匹配方法，指定如何计算匹配度
result：可选的输出结果图像

返回值：

一个二维数组，表示每个位置的匹配度分数

3.2 匹配方法详解

OpenCV提供了6种匹配方法：

方法	公式	特点
`TM_SQDIFF`	R(x,y) = Σ[T(x',y') - I(x+x',y+y')]²	平方差匹配，数值越小匹配越好
`TM_SQDIFF_NORMED`	R(x,y) = Σ[T(x',y') - I(x+x',y+y')]² / √(ΣT² × ΣI²)	归一化平方差匹配
`TM_CCORR`	R(x,y) = Σ[T(x',y') × I(x+x',y+y')]	相关匹配，数值越大匹配越好
`TM_CCORR_NORMED`	R(x,y) = Σ[T(x',y') × I(x+x',y+y')] / √(ΣT² × ΣI²)	归一化相关匹配
`TM_CCOEFF`	R(x,y) = Σ[T'(x',y') × I'(x+x',y+y')]	相关系数匹配
`TM_CCOEFF_NORMED`	R(x,y) = Σ[T'(x',y') × I'(x+x',y+y')] / √(ΣT'² × ΣI'²)	归一化相关系数匹配

常用方法：

TM_CCOEFF_NORMED：归一化相关系数匹配，最常用
TM_CCORR_NORMED：归一化相关匹配
TM_SQDIFF_NORMED：归一化平方差匹配

3.3 np.where()

python 复制代码

np.where(condition)

功能：返回满足条件的数组元素的坐标

参数说明：

condition：条件表达式

返回值：

满足条件的元素的坐标元组（行索引，列索引）

注意：

返回的坐标是(y, x)格式
需要使用[::-1]翻转得到(x, y)格式

四、总结

模板匹配是一种简单而有效的目标检测技术，通过在源图像中滑动模板并计算相似度来找到目标位置。

主要知识点总结：

基本原理：将模板图像在源图像上滑动，计算每个位置的相似度
关键函数 ：cv2.matchTemplate() 和 cv2.minMaxLoc()
匹配方法：6种不同的匹配方法及其特点
多目标检测：通过阈值设置检测多个目标实例
局限性：对尺度、旋转和光照变化敏感

实际应用建议：

选择合适的匹配方法 ：TM_CCOEFF_NORMED 是最常用的方法
设置合理的阈值：根据实际需求调整阈值大小
预处理图像：使用灰度化、直方图均衡化等预处理技术
考虑改进方法：对于尺度或旋转变化，使用多尺度或旋转不变匹配

模板匹配虽然简单，但在特定条件下（目标尺寸、方向、光照变化不大）仍然非常有效。对于更复杂的情况，可以考虑使用特征匹配或深度学习的方法。

下一篇预告：我们将学习霍夫变换技术，这是一种用于检测图像中直线、圆等几何形状的重要方法。敬请期待！