单 / 多目标模板匹配：相似度度量与阈值优化【计算机视觉】

Sagittarius_A*2026-01-18 9:17

单 / 多目标模板匹配：相似度度量与阈值优化【计算机视觉】

模板匹配（Template Matching）

模板匹配（Template Matching）是计算机视觉里最基础、最常用的一种 "在大图里找小图" 的方法。它的核心思想特别简单：拿一个小模板，在大图上从左到右、从上到下滑动，每到一个位置就算一算 "这里像不像模板"，最像的地方就是答案。

注意：本文所有代码均可导入 Jupyter Notebook 直接运行

Ⅰ、引言

模板匹配是计算机视觉领域最基础且实用的目标定位方法之一，其核心价值在于无需复杂特征提取，仅依赖像素灰度统计特性即可完成目标定位。在实际场景中，我们常需要从复杂图像中快速找到特定目标（如工业流水线上的零件、监控画面中的特定物体、文档中的标识图案等），而模板匹配凭借原理简单、实现高效、计算成本低的优势，成为这类场景的首选预处理或核心定位手段。

在深入公式之前，我们先明确模板匹配的核心流程，这是理解后续算法的前提：

  1. 准备输入图像（大图，记为 I I I）和模板图像（小图，记为 T T T），模板尺寸为 w × h w \times h w×h，输入图像尺寸为 W × H W \times H W×H；
  2. 以模板尺寸为滑动窗口，在输入图像上从左到右、从上到下逐像素滑动；
  3. 每个窗口位置 ( x , y ) (x,y) (x,y)（窗口左上角坐标），计算窗口内子图像 I ( x , y ) I(x,y) I(x,y) 与模板 T T T 的相似度/差异度；
  4. 所有位置计算完成后生成"响应图"，通过响应图的极值（最大值/最小值）确定最佳匹配位置。

而我们今天的核心，就是详解步骤3中的4种核心相似度计算方法，分为平方差类 和相关性类两大类别，逐一拆解其数学公式、含义和应用。

Ⅱ、平方差类匹配算法

平方差类匹配算法是模板匹配中最基础的一类算法，核心逻辑是通过"计算模板与目标图像窗口的像素差值大小"判断匹配度（差值越小，说明两者越相似，匹配度越高），核心是求解模板与滑动窗口之间的像素差值平方和。

一、平方差匹配（SQDIFF）

平方差匹配（SQDIFF）是模板匹配中最基础、最直观的算法。它的核心思想是：

如果模板和图像中的某个区域越相似，那么它们对应像素的差值就越小。

因此，我们可以用"差值的平方和"来衡量两个区域的差异程度。

1. 数学公式

SSD ( x , y ) = ∑ u = 0 w − 1 ∑ v = 0 h − 1 [ I ( x + u , y + v ) − T ( u , v ) ] 2 \text{SSD}(x, y) = \sum_{u=0}^{w-1} \sum_{v=0}^{h-1} \left[ I(x+u, y+v) - T(u, v) \right]^2 SSD(x,y)=u=0∑w−1v=0∑h−1[I(x+u,y+v)−T(u,v)]2

其中：

  • I I I：输入图像（大图）
  • T T T：模板图像（小图）
  • ( x , y ) (x, y) (x,y)：滑动窗口在图像中的左上角坐标
  • ( u , v ) (u, v) (u,v)：模板内部的相对坐标（横向 0 ∼ w − 1 0 \sim w-1 0∼w−1，纵向 0 ∼ h − 1 0 \sim h-1 0∼h−1）
  • w , h w, h w,h：模板的宽度和高度
  • SSD ( x , y ) \text{SSD}(x,y) SSD(x,y)：该窗口位置的平方差总和（核心结论：值越小，匹配度越高）
（1）第一步：逐像素计算对应差值

I ( x + u , y + v ) − T ( u , v ) I(x+u, y+v) - T(u, v) I(x+u,y+v)−T(u,v)

这一步的核心是完成"单个像素的差异对比"，具体逻辑：

  1. 确定滑动窗口在输入图像 I I I中的位置 ( x , y ) (x,y) (x,y)（左上角坐标）；
  2. 取模板 T T T中相对坐标 ( u , v ) (u,v) (u,v)对应的像素值 T ( u , v ) T(u, v) T(u,v)；
  3. 取输入图像窗口中对应位置的像素值 I ( x + u , y + v ) I(x+u, y+v) I(x+u,y+v)（即窗口内的相对坐标映射到大图的绝对坐标）；
  4. 计算两个像素值的差值，差值的大小直接反映单个像素的匹配程度。

补充说明：

  • 若两个像素值完全一致，差值为 0 0 0，表示单个像素完美匹配；
  • 若两个像素值存在差异，差值为正数或负数，差值的绝对值越大，单个像素的不匹配程度越高。
（2）第二步：对单个像素差值进行平方运算

I ( x + u , y + v ) − T ( u , v ) \] 2 \\left\[ I(x+u, y+v) - T(u, v) \\right\]\^2 \[I(x+u,y+v)−T(u,v)\]2 这是平方差匹配的"关键优化步骤"，之所以要对差值进行平方，核心有两个目的： 1. **消除正负差值相互抵消的问题** 举例：模板与窗口中有两个对应像素，差值分别为 + 5 +5 +5和 − 5 -5 −5，若直接求和，结果为 0 0 0，会错误地认为这两个像素整体无差异；而经过平方运算后，两个差值都变为 25 25 25，求和后为 50 50 50，能够正确累积真实差异，避免"假匹配"。 2. **放大较大差异的权重，突出不匹配区域** 平方运算具有"放大差值"的特性，差值越大，平方后的结果增长越快。 举例：像素差值为 1 1 1，平方后为 1 1 1；像素差值为 10 10 10，平方后为 100 100 100。这种放大效应能让明显不匹配的区域（大差值像素较多）的总差异值大幅提升，更容易在后续的求和步骤中被区分出来，减少"模糊匹配"的误判。 ###### （3）第三步：对所有像素的平方差进行求和运算 ∑ u = 0 w − 1 ∑ v = 0 h − 1 ... \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} \\dots u=0∑w−1v=0∑h−1... 这一步的核心是完成"从单个像素到整个窗口的差异汇总"，具体逻辑： 1. 双重求和符号 ∑ u = 0 w − 1 ∑ v = 0 h − 1 \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} ∑u=0w−1∑v=0h−1表示遍历模板 T T T的所有像素（横向从 0 0 0到 w − 1 w-1 w−1，纵向从 0 0 0到 h − 1 h-1 h−1）； 2. 将每个像素平方后的差值进行累加，得到该窗口位置的"总差异值" SSD ( x , y ) \\text{SSD}(x,y) SSD(x,y)； 3. 汇总后的总差异值，反映了整个窗口与模板的整体匹配程度，而非单个像素的局部差异。 核心结论： * 总差异值 SSD ( x , y ) \\text{SSD}(x,y) SSD(x,y)越小，说明窗口与模板的整体差异越小，匹配度越高； * 总差异值 SSD ( x , y ) \\text{SSD}(x,y) SSD(x,y)越大，说明窗口与模板的整体差异越大，匹配度越低； * 当 SSD ( x , y ) = 0 \\text{SSD}(x,y)=0 SSD(x,y)=0时，说明窗口与模板的所有对应像素完全一致，实现"完美匹配"。 ##### 2. 核心局限：为什么 SQDIFF 对亮度变化敏感？ **原理分析** 平方差匹配直接计算像素值的绝对差值，而图像整体亮度变化会导致所有像素值发生"同向偏移"，进而让差值被整体放大，最终影响匹配结果。 **具体举例** 假设存在一个理想场景：模板像素值为 20 20 20，图像窗口对应像素值也为 20 20 20，此时差值为 0 0 0，平方差为 0 0 0，匹配度极高。 当图像整体亮度增加 10 10 10（光照变亮），此时： * 模板像素值仍为 20 20 20（无变化）； * 图像窗口对应像素值变为 30 30 30（整体偏移）； * 像素差值从 0 0 0变为 10 10 10，平方差从 0 0 0变为 100 100 100； * 若模板为 w × h w \\times h w×h尺寸，总差异值 SSD ( x , y ) \\text{SSD}(x,y) SSD(x,y)会增加 100 × w × h 100 \\times w \\times h 100×w×h，大幅提升，最终被判定为"不匹配"，但实际上图像内容与模板完全一致，仅亮度发生变化。 **最终结论** SQDIFF 对**整体亮度变化、局部亮度偏移**都非常敏感，无法适应光照不稳定的场景，这也是后续需要引入"归一化平方差匹配（SQDIFF_NORMED）"的核心原因。 *** ** * ** *** #### 二、归一化平方差匹配（SQDIFF_NORMED） 归一化平方差匹配（SQDIFF_NORMED）是对基础平方差匹配（SQDIFF）的优化升级，其**核心目标是消除图像亮度变化（整体/局部）对匹配结果的干扰**，让算法能够适应光照不稳定的场景。 它的核心思想是：**通过对输入图像窗口和模板图像的像素值进行"归一化处理"，消除两者之间的绝对亮度偏移，只关注像素值的相对分布规律，再计算平方差总和**。 简单来说，SQDIFF 关注"像素值绝对差异"，而 SQDIFF_NORMED 关注"像素值相对差异"------ 即使图像和模板存在整体亮度偏移，归一化后也能抵消这种偏移的影响，还原真实的内容匹配度。 > 在模板匹配里，"归一化" 指的是： > > 把两个东西（图像窗口和模板）放到同一个 "尺度" 和 "亮度基准" 上，让它们可以公平地比较。 > > 就像把两个人的身高都换成米，或者把两个班级的考试成绩都换算成百分制，这样比较才有意义。 ##### 1. 数学公式 归一化平方差的计算分为"归一化处理"和"平方差求和"两个核心步骤，完整公式如下： NSSD ( x , y ) = ∑ u = 0 w − 1 ∑ v = 0 h − 1 \[ I ( x + u , y + v ) − T ( u , v ) \] 2 ∑ u = 0 w − 1 ∑ v = 0 h − 1 I ( x + u , y + v ) 2 ⋅ ∑ u = 0 w − 1 ∑ v = 0 h − 1 T ( u , v ) 2 \\text{NSSD}(x, y) = \\frac{\\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} \\left\[ I(x+u, y+v) - T(u, v) \\right\]\^2}{\\sqrt{\\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} I(x+u, y+v)\^2 \\cdot \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} T(u, v)\^2}} NSSD(x,y)=∑u=0w−1∑v=0h−1I(x+u,y+v)2⋅∑u=0w−1∑v=0h−1T(u,v)2 ∑u=0w−1∑v=0h−1\[I(x+u,y+v)−T(u,v)\]2 其中： * 分子部分：与基础 SQDIFF 的平方差总和完全一致，反映窗口与模板的原始绝对差异； * 分母部分：输入图像窗口所有像素值的平方和 与 模板图像所有像素值的平方和 的乘积的平方根，是**归一化因子**，用于抵消亮度变化带来的整体偏移； * NSSD ( x , y ) \\text{NSSD}(x,y) NSSD(x,y)：归一化后的平方差值（核心结论：取值范围为 \[ 0 , 1 \] \[0, 1\] \[0,1\]，值越小，匹配度越高）； * 其他参数（ I 、 T 、 ( x , y ) 、 ( u , v ) 、 w 、 h I、T、(x,y)、(u,v)、w、h I、T、(x,y)、(u,v)、w、h）的定义与基础 SQDIFF 完全一致。 ###### （1）第一步：计算分子------原始平方差总和 分子部分 ∑ u = 0 w − 1 ∑ v = 0 h − 1 \[ I ( x + u , y + v ) − T ( u , v ) \] 2 \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} \\left\[ I(x+u, y+v) - T(u, v) \\right\]\^2 ∑u=0w−1∑v=0h−1\[I(x+u,y+v)−T(u,v)\]2 与 SQDIFF 的总差异值完全相同，其作用是保留窗口与模板之间的像素差异信息，具体逻辑可参考 SQDIFF 的三步计算法（逐像素差值→平方运算→求和汇总）。 这一步不做任何优化，核心是记录原始的像素差异数据，为后续归一化提供基础。 ###### （2）第二步：计算分母------归一化因子 分母是 SQDIFF_NORMED 与 SQDIFF 的核心区别，也是解决亮度敏感问题的关键，其计算公式为： ∑ u = 0 w − 1 ∑ v = 0 h − 1 I ( x + u , y + v ) 2 ⋅ ∑ u = 0 w − 1 ∑ v = 0 h − 1 T ( u , v ) 2 \\sqrt{\\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} I(x+u, y+v)\^2 \\cdot \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} T(u, v)\^2} u=0∑w−1v=0∑h−1I(x+u,y+v)2⋅u=0∑w−1v=0∑h−1T(u,v)2 拆解分析： 1. 先分别计算两个平方和： * 输入图像窗口的像素平方和： S I = ∑ u = 0 w − 1 ∑ v = 0 h − 1 I ( x + u , y + v ) 2 S_I = \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} I(x+u, y+v)\^2 SI=∑u=0w−1∑v=0h−1I(x+u,y+v)2 * 模板图像的像素平方和： S T = ∑ u = 0 w − 1 ∑ v = 0 h − 1 T ( u , v ) 2 S_T = \\sum_{u=0}\^{w-1} \\sum_{v=0}\^{h-1} T(u, v)\^2 ST=∑u=0w−1∑v=0h−1T(u,v)2 2. 再计算两个平方和的乘积： S I ⋅ S T S_I \\cdot S_T SI⋅ST 3. 最后对乘积取平方根，得到归一化因子： S I ⋅ S T \\sqrt{S_I \\cdot S_T} SI⋅ST 归一化因子的核心作用：**对图像窗口和模板的整体亮度规模进行"标准化"，抵消两者之间的绝对亮度偏移，让后续的差异对比更具公平性**。 ###### （3）第三步：计算归一化平方差------分子除以分母 将原始平方差总和（分子）除以归一化因子（分母），得到最终的归一化平方差值 NSSD ( x , y ) \\text{NSSD}(x,y) NSSD(x,y)。 这一步的核心是"缩放"：将原本可能无限增大的绝对平方差，压缩到一个固定的取值范围 \[ 0 , 1 \] \[0, 1\] \[0,1\] 内，同时消除亮度变化带来的整体偏移影响。 ##### 2. 核心结论：归一化后的匹配度判断 与 SQDIFF 保持一致的"差值越小，匹配度越高"逻辑，但归一化后有更明确的取值边界和判断标准： * 取值范围： NSSD ( x , y ) ∈ \[ 0 , 1 \] \\text{NSSD}(x,y) \\in \[0, 1\] NSSD(x,y)∈\[0,1\]，这是归一化处理的核心优势之一，便于统一判断匹配程度，不受模板尺寸和像素值规模影响； * 匹配度判断： NSSD ( x , y ) \\text{NSSD}(x,y) NSSD(x,y) 越小，窗口与模板的匹配度越高；反之，匹配度越低； * 完美匹配：当 NSSD ( x , y ) = 0 \\text{NSSD}(x,y) = 0 NSSD(x,y)=0 时，说明窗口与模板的所有对应像素完全一致（与 SQDIFF 一致）； * 完全不匹配：当 NSSD ( x , y ) = 1 \\text{NSSD}(x,y) = 1 NSSD(x,y)=1 时，说明窗口与模板的像素分布无任何相似性，差异达到最大值。 #### 三、平均差算法的光照鲁棒性对比实验 ##### 1. 实验对象 目标：在一张灰度图像中，用 "人脸局部" 作为模板进行匹配。 变量：通过增加整体图像亮度（+50），模拟光照变化的场景。 ##### 2. 对比算法 未归一化的平方差（SQDIFF）：直接计算像素值的绝对差异，对亮度变化敏感。 归一化平方差（SQDIFF_NORMED）：通过归一化处理消除亮度偏移的影响，对亮度变化鲁棒。 > 鲁棒性（Robustness）：指的是算法在面对干扰、噪声或环境变化时，依然能保持稳定、正确输出结果的能力 ```python import cv2 import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False ``` ```python # 读取图像 img = cv2.imread('target.jpg', 0) tpl = cv2.imread('template.jpg', 0) # 校验图像读取 if img is None or tpl is None: raise ValueError("图像读取失败") # 获取尺寸并校验 h, w = tpl.shape[:2] img_h, img_w = img.shape[:2] if h > img_h or w > img_w: raise ValueError("模板尺寸过大") ``` ```python # 生成增亮图像（亮度+50） img_bright = img.astype(np.float32) + 50 img_bright = np.clip(img_bright, 0, 255).astype(np.uint8) ``` `img.astype(np.float32) + 50`： * 原始图像 img 是 uint8 数据类型（像素值范围 0-255），如果直接加 50，可能出现像素值超过 255 的溢出问题（比如原像素值 240，加 50 后变成 290，uint8 会自动截断为无效值）。 * 先转换为 np.float32 高精度浮点型，再整体加 50，实现安全的亮度提升，模拟光照增强。 ```python res_sqdiff = cv2.matchTemplate(img, tpl, cv2.TM_SQDIFF) res_nsqdiff = cv2.matchTemplate(img, tpl, cv2.TM_SQDIFF_NORMED) res_sqdiff_bright = cv2.matchTemplate(img_bright, tpl, cv2.TM_SQDIFF) res_nsqdiff_bright = cv2.matchTemplate(img_bright, tpl, cv2.TM_SQDIFF_NORMED) ``` **两种匹配方法**： * `cv2.TM_SQDIFF`：基础平方差匹配，差值越小，匹配度越高（完美匹配时差值为 0）。 * `cv2.TM_SQDIFF_NORMED`：归一化平方差匹配，差值被归一化到 0-1 区间，同样是值越小，匹配度越高，且不受亮度变化影响。 ```python def get_best(res): return cv2.minMaxLoc(res)[2], cv2.minMaxLoc(res)[0] loc_sq, val_sq = get_best(res_sqdiff) loc_nsq, val_nsq = get_best(res_nsqdiff) loc_sq_b, val_sq_b = get_best(res_sqdiff_bright) loc_nsq_b, val_nsq_b = get_best(res_nsqdiff_bright) ``` `cv2.minMaxLoc(res)`：OpenCV 专门用于提取二维数组中「最小值、最大值、最小值位置、最大值位置」的函数，返回值顺序为 (最小值, 最大值, 最小值坐标, 最大值坐标)。 * 返回值：`cv2.minMaxLoc(res)[2]` 是最小值坐标（最佳匹配位置，因为平方差类算法 "值越小匹配度越高"）；`cv2.minMaxLoc(res)[0]` 是最小值（最小差异值，量化匹配效果）。 ```python def draw_box(gray, loc1, loc2, prefix): color = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR) cv2.rectangle(color, loc1, (loc1[0]+w, loc1[1]+h), (255,0,0), 2) cv2.putText(color, '平方差', (loc1[0], loc1[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,0,0), 1) cv2.rectangle(color, loc2, (loc2[0]+w, loc2[1]+h), (0,0,255), 2) cv2.putText(color, '归一化平方差', (loc2[0], loc2[1]-25), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255), 1) return color, f'{prefix}（含匹配框）' img_box, title1 = draw_box(img, loc_sq, loc_nsq, '原始图像') img_bright_box, title2 = draw_box(img_bright, loc_sq_b, loc_nsq_b, '增亮图像') ``` * 在灰度图像上绘制彩色匹配框和文字标签，将抽象的 "匹配位置" 转化为直观的视觉效果，方便对比两种算法的匹配精度。得到两张带彩色匹配框的图像，蓝色框（平方差）和红色框（归一化平方差） ```python plt.figure(figsize=(20, 10)) plt.subplot(2,4,1) plt.imshow(cv2.cvtColor(img_box, cv2.COLOR_BGR2RGB)) plt.title(title1) plt.axis('off') plt.subplot(2,4,2) plt.imshow(res_sqdiff, cmap='gray') plt.title('原始图像 - 平方差热力图') plt.axis('off') plt.subplot(2,4,3) plt.imshow(res_nsqdiff, cmap='gray') plt.title('原始图像 - 归一化平方差热力图') plt.axis('off') plt.subplot(2,4,4) plt.imshow(tpl, cmap='gray') plt.title('模板图像') plt.axis('off') plt.subplot(2,4,5) plt.imshow(cv2.cvtColor(img_bright_box, cv2.COLOR_BGR2RGB)) plt.title(title2) plt.axis('off') plt.subplot(2,4,6) plt.imshow(res_sqdiff_bright, cmap='gray') plt.title('增亮图像 - 平方差热力图') plt.axis('off') plt.subplot(2,4,7) plt.imshow(res_nsqdiff_bright, cmap='gray') plt.title('增亮图像 - 归一化平方差热力图') plt.axis('off') plt.subplot(2,4,8) plt.text(0.5,0.5,'亮度+50\n\n平方差：对亮度敏感\n归一化平方差：对亮度鲁棒',ha='center',va='center',fontsize=12) plt.title('实验说明') plt.axis('off') plt.tight_layout() plt.show() print("【原始图像匹配结果】") print(f"平方差 位置：{loc_sq} | 最小差值：{val_sq:.6f}") print(f"归一化平方差 位置：{loc_nsq} | 最小差值：{val_nsq:.6f}") print("【增亮图像匹配结果】") print(f"平方差 位置：{loc_sq_b} | 最小差值：{val_sq_b:.6f}") print(f"归一化平方差 位置：{loc_nsq_b} | 最小差值：{val_nsq_b:.6f}") ``` ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/181783f0c35448ea8f3956e4274fc497.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/dd2cab1f42f845809db866af06734b6b.png) ##### 3. 实验结论 1. **正常光照下**：基础平方差匹配（SQDIFF）与归一化平方差匹配（SQDIFF_NORMED）表现一致，均能精准定位模板，无明显差异。 2. **亮度变化下**：两者鲁棒性差异显著，基础平方差匹配对亮度敏感，匹配位置偏移、结果失效；归一化平方差匹配对亮度鲁棒，仍能精准锁定目标，结果稳定。 3. **工程启示**：光照稳定场景可选基础平方差匹配（效率高）；光照波动场景优先选归一化平方差匹配（准确性有保障），归一化处理是提升光照鲁棒性的关键。 ### Ⅲ、相关性类匹配算法 相关性类匹配算法与平方差类算法的核心逻辑不同，**平方差类是通过"差值大小"判断匹配度（差值越小，匹配度越高），而相关性类是通过"相似度（相关性）高低"判断匹配度（相关性越高，匹配度越高）**，核心是计算模板与目标图像窗口之间的像素相关性。 #### 一、相关性匹配（CCORR） ##### 1. 核心原理 相关性匹配的本质是计算**模板图像与目标图像滑动窗口的像素点积和** （也叫互相关和），数学公式可简化为： R ( x , y ) = ∑ x ′ , y ′ T ( x ′ , y ′ ) ⋅ I ( x + x ′ , y + y ′ ) R(x,y) = \\sum_{x',y'} T(x',y') \\cdot I(x+x', y+y') R(x,y)=x′,y′∑T(x′,y′)⋅I(x+x′,y+y′) 其中： * T ( x ′ , y ′ ) T(x',y') T(x′,y′)：模板图像的像素值 * I ( x + x ′ , y + y ′ ) I(x+x', y+y') I(x+x′,y+y′)：目标图像中对应滑动窗口的像素值 * R ( x , y ) R(x,y) R(x,y)：计算得到的相关性值，值越大表示模板与该窗口的相似度越高，匹配度越好。 简单理解：把模板和滑动窗口的像素看作两个数组，相关性值就是两个数组的"相似度得分"，得分越高，说明两者越像。 ##### 2. 关键特点 * **匹配判断**：相关性值越大，匹配度越高（与平方差类相反，寻找最佳匹配时需找最大值位置）。 * **优点**：计算逻辑简单，运算效率较高，在光照稳定、模板与目标灰度分布高度一致的场景下，匹配精度较好。 * **致命缺陷** ：对**亮度变化和对比度变化极其敏感** ，鲁棒性差。 原因：相关性值是像素的直接乘积和，若图像整体亮度提升（如所有像素值+50），乘积和会呈几何级增长，无法区分"亮度差异"和"模板本身的相似度差异"，容易出现误匹配。 * **适用场景**：仅适用于光照、对比度完全受控的理想场景（如工业检测中固定光源下的产品匹配），实际场景中应用较少。 #### 二、归一化互相关（CCORR_NORMED，简称 NCC） ##### 1. 核心原理 归一化互相关是在普通相关性匹配的基础上，增加了**归一化处理** ，消除了亮度和对比度整体变化带来的干扰，数学公式可简化为： R ( x , y ) = ∑ x ′ , y ′ T ( x ′ , y ′ ) ⋅ I ( x + x ′ , y + y ′ ) ∑ x ′ , y ′ T ( x ′ , y ′ ) 2 ⋅ ∑ x ′ , y ′ I ( x + x ′ , y + y ′ ) 2 R(x,y) = \\frac{\\sum_{x',y'} T(x',y') \\cdot I(x+x', y+y')}{\\sqrt{\\sum_{x',y'} T(x',y')\^2 \\cdot \\sum_{x',y'} I(x+x', y+y')\^2}} R(x,y)=∑x′,y′T(x′,y′)2⋅∑x′,y′I(x+x′,y+y′)2 ∑x′,y′T(x′,y′)⋅I(x+x′,y+y′) 核心逻辑：将相关性值归一化到 **\[0, 1\] 区间**，分子是普通相关性的点积和，分母是模板与滑动窗口的像素平方和乘积的平方根（归一化因子），最终结果只反映两者的"相对灰度分布相似度"，与整体亮度、对比度无关。 ##### 2. 关键特点 * **匹配判断**：归一化相关性值越接近 1，匹配度越高（最佳匹配位置为最大值位置，值范围锁定在 \[0,1\]，便于量化判断）。 * **核心优势** ：对**整体亮度变化、整体对比度变化具有极强的鲁棒性** ，是实际场景中应用最广泛的模板匹配算法之一。 原因：归一化因子消除了亮度、对比度整体偏移的影响，即使图像变亮、变暗或对比度拉伸，仍能准确识别模板的相对灰度分布，保持匹配稳定。 * **优点补充**：匹配精度高，抗干扰能力强，适用场景广。 * **轻微不足**：计算量略大于普通相关性匹配（多了归一化因子的计算），但在现代计算机硬件下，这种效率差异可忽略不计。 * **适用场景**：户外自然光场景、光照波动场景、对比度变化场景（如监控画面、产品外观检测、医学图像匹配等），是模板匹配的"首选算法"之一。 #### 三、相关性算法的光照 \& 对比度鲁棒性对比实验 ##### 1. 实验目的 1. 验证 **普通相关性匹配**（CCORR）对亮度、对比度变化的敏感性。 2. 验证 **归一化互相关**（CCORR_NORMED，NCC）对亮度、对比度变化的强鲁棒性。 3. 直观对比两类相关性算法的匹配效果差异，理解归一化处理的核心价值。 ##### 2. 实验核心思路 1. 基于原始图像，分别生成「增亮图像」和「提高对比度图像」，模拟两种常见环境干扰。 2. 对3张图像（原图、增亮图、高对比度图）分别执行 CCORR 和 CCORR_NORMED 匹配。 3. 可视化匹配结果（匹配框、热力图），量化输出匹配数据，对比分析算法表现。 ##### 3. 对比算法 ```python img_bright = img.astype(np.float32) + 50 img_bright = np.clip(img_bright, 0, 255).astype(np.uint8) img_contrast = cv2.convertScaleAbs(img, alpha=1.5, beta=0) ``` * 为相关性算法（CCORR/NCC）提供不同干扰场景的测试素材，模拟真实环境中的亮度波动和对比度变化，最终目的是验证两种算法的抗干扰能力（鲁棒性），形成对比实验。 * 生成img（原图）、img_bright（增亮图）、img_contrast（高对比度图）三组图像，形成「无干扰 + 两种干扰」的对比场景，后续算法在三组场景下的表现差异，正是验证算法优劣的核心依据 ```python res_ccorr = cv2.matchTemplate(img, tpl, cv2.TM_CCORR) res_ncc = cv2.matchTemplate(img, tpl, cv2.TM_CCORR_NORMED) res_ccorr_bright = cv2.matchTemplate(img_bright, tpl, cv2.TM_CCORR) res_ncc_bright = cv2.matchTemplate(img_bright, tpl, cv2.TM_CCORR_NORMED) res_ccorr_contrast = cv2.matchTemplate(img_contrast, tpl, cv2.TM_CCORR) res_ncc_contrast = cv2.matchTemplate(img_contrast, tpl, cv2.TM_CCORR_NORMED) ``` * 直接调用 OpenCV 封装的相关性算法核心接口，对三组测试图像分别执行两种相关性匹配，得到 6 个算法原始输出结果（匹配结果矩阵 / 热力图数据），这是相关性算法落地的核心步骤。 ```python cv2.matchTemplate(src, templ, method) ``` * `src`：待匹配的目标图像（此处为`img`/`img_bright`/`img_contrast`）。 * `templ`：模板图像（此处为`tpl`）。 * `method`：匹配算法类型（此处为两种相关性算法）。 * 返回值：`res_xxx`（二维数组/匹配结果矩阵），数组中每个元素对应「模板在目标图像中对应位置」的匹配得分，数组尺寸=(目标图像高-模板高+1, 目标图像宽-模板宽+1)。 **两种算法参数详解** * **`cv2.TM_CCORR`**：普通相关性匹配（CCORR），无归一化处理，匹配得分是「模板与目标窗口的像素点积和」，得分越大，匹配度（表面上）越高。 * **`cv2.TM_CCORR_NORMED`**：归一化互相关（NCC），有归一化处理，匹配得分被限制在\[0,1\]区间，得分越接近1，真实匹配度越高，抗干扰能力强。 ```python # 5. 绘制匹配框 def draw_corr_box(gray, loc1, loc2, prefix): gray_copy = gray.copy() color = cv2.cvtColor(gray_copy, cv2.COLOR_GRAY2BGR) # 普通相关性（CCORR，蓝色框）- 文字放在框内底部，偏移5像素避免贴边 cv2.rectangle(color, loc1, (loc1[0]+w, loc1[1]+h), (255,0,0), 2) cv2.putText(color, 'CCORR', (loc1[0]+5, loc1[1]+h-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,0,0), 1) # 归一化互相关（NCC，红色框）- 文字放在框内底部，偏移5像素避免贴边 cv2.rectangle(color, loc2, (loc2[0]+w, loc2[1]+h), (0,0,255), 2) cv2.putText(color, 'NCC', (loc2[0]+5, loc2[1]+h-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255), 1) return color, f'{prefix}（含匹配框）' # 生成3张带框图像 img_box, title1 = draw_corr_box(img, loc_ccorr, loc_ncc, '原始图像') img_bright_box, title2 = draw_corr_box(img_bright, loc_ccorr_bright, loc_ncc_bright, '增亮图像') img_contrast_box, title3 = draw_corr_box(img_contrast, loc_ccorr_contrast, loc_ncc_contrast, '高对比度图像') ``` | 图像类型 | 普通相关性（CCORR） | 归一化互相关（NCC） | |--------|----------------------|--------------------| | 原始图像 | `res_ccorr` | `res_ncc` | | 增亮图像 | `res_ccorr_bright` | `res_ncc_bright` | | 高对比度图像 | `res_ccorr_contrast` | `res_ncc_contrast` | ```python plt.figure(figsize=(24, 18)) # 第一行：原始图像结果 plt.subplot(3, 4, 1) plt.imshow(cv2.cvtColor(img_box, cv2.COLOR_BGR2RGB)) plt.title(title1) plt.axis('off') plt.subplot(3, 4, 2) plt.imshow(res_ccorr, cmap='gray') plt.title('原始图像 - CCORR热力图') plt.axis('off') plt.subplot(3, 4, 3) plt.imshow(res_ncc, cmap='gray') plt.title('原始图像 - NCC热力图') plt.axis('off') plt.subplot(3, 4, 4) plt.imshow(tpl, cmap='gray') plt.title('模板图像（原始）') plt.axis('off') # 第二行：增亮图像结果 plt.subplot(3, 4, 5) plt.imshow(cv2.cvtColor(img_bright_box, cv2.COLOR_BGR2RGB)) plt.title(title2) plt.axis('off') plt.subplot(3, 4, 6) plt.imshow(res_ccorr_bright, cmap='gray') plt.title('增亮图像 - CCORR热力图') plt.axis('off') plt.subplot(3, 4, 7) plt.imshow(res_ncc_bright, cmap='gray') plt.title('增亮图像 - NCC热力图') plt.axis('off') plt.subplot(3, 4, 8) plt.text(0.5, 0.5, '亮度+50\n\nCCORR：敏感\nNCC：鲁棒', ha='center', va='center', fontsize=10) plt.title('实验说明') plt.axis('off') # 第三行：高对比度图像结果 plt.subplot(3, 4, 9) plt.imshow(cv2.cvtColor(img_contrast_box, cv2.COLOR_BGR2RGB)) plt.title(title3) plt.axis('off') plt.subplot(3, 4, 10) plt.imshow(res_ccorr_contrast, cmap='gray') plt.title('高对比度图像 - CCORR热力图') plt.axis('off') plt.subplot(3, 4, 11) plt.imshow(res_ncc_contrast, cmap='gray') plt.title('高对比度图像 - NCC热力图') plt.axis('off') plt.subplot(3, 4, 12) plt.text(0.5, 0.5, '对比度×1.5\n\nCCORR：敏感\nNCC：鲁棒', ha='center', va='center', fontsize=10) plt.title('实验说明') plt.axis('off') plt.tight_layout() plt.show() print("【原始图像匹配结果】") print(f"CCORR（普通相关性） 最佳位置：{loc_ccorr} | 最大相关值：{val_ccorr:.6f}") print(f"NCC（归一化互相关） 最佳位置：{loc_ncc} | 最大相关值（[0,1]）：{val_ncc:.6f}") print("【增亮图像匹配结果（亮度+50）】") print(f"CCORR（普通相关性） 最佳位置：{loc_ccorr_bright} | 最大相关值：{val_ccorr_bright:.6f}") print(f"NCC（归一化互相关） 最佳位置：{loc_ncc_bright} | 最大相关值（[0,1]）：{val_ncc_bright:.6f}") print("【高对比度图像匹配结果（对比度×1.5）】") print(f"CCORR（普通相关性） 最佳位置：{loc_ccorr_contrast} | 最大相关值：{val_ccorr_contrast:.6f}") print(f"NCC（归一化互相关） 最佳位置：{loc_ncc_contrast} | 最大相关值（[0,1]）：{val_ncc_contrast:.6f}") ``` ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/197851d00ed34929b72ecaf02e0f5aca.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/12f269223cfc4ea785c569aef1375ca1.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/b4332f5b48684713853ee3dbdca39fda.png) ##### 4. 实验结论 ###### （1）普通相关性（CCORR）算法结论 CCORR 作为无归一化的基础相关性算法，**存在显著先天缺陷，实用性极低，不适合任何实际场景的模板匹配任务**： * 匹配逻辑局限：仅以「像素点积和最大值」作为匹配依据，只关注像素「绝对亮度高低」，不关注灰度「相对分布相似度」，容易将图像中高亮度区域误判为最佳匹配区域，即使是「原版模板对原版图像」，也会出现严重错位。 * 抗干扰能力极差：对亮度变化、对比度变化高度敏感，仅轻微的光照增强或对比度拉伸，就会导致匹配结果完全失真，匹配框偏移严重，无法锁定真实目标区域。 * 量化结果无参考性：匹配得分无固定取值范围，仅能在同一图像的同一算法内做相对对比，无法跨场景、跨图像评估匹配效果，缺乏实用价值。 * 适用场景：仅存在于理论教学中，用于对比凸显归一化算法的优势，无任何实际工程落地场景。 ###### （2）归一化互相关（NCC/CCORR_NORMED）算法结论 NCC 作为 CCORR 的改进版（增加归一化处理），**是模板匹配任务中的核心实用算法，具备强鲁棒性，可广泛应用于实际场景**： * 匹配逻辑精准：通过归一化处理消除了亮度均值、对比度方差的影响，仅关注「模板与目标窗口的灰度相对分布相似度」，能够精准锁定与模板灰度分布一致的区域，即使存在局部亮度不均，也能实现精准匹配。 * 抗干扰能力优异：对图像亮度变化、对比度变化具有极强的鲁棒性，在增亮、高对比度等干扰场景下，依然能保持稳定的匹配效果，匹配框精准对齐真实目标，量化得分波动极小（趋近于1）。 * 量化结果直观可靠：匹配得分被严格限制在 \[0,1\] 区间，得分越接近1，说明匹配度越高，可跨场景、跨图像评估匹配效果，具备明确的参考价值和工程落地性。 * 适用场景：广泛应用于工业检测、人脸识别、图像拼接、目标追踪等实际计算机视觉任务，是模板匹配的首选算法之一。 ###### （3）整体核心总结 1. 归一化处理是提升相关性匹配算法鲁棒性的关键核心，它解决了 **CCORR 认亮不认像**的先天缺陷，让算法从「理论可行」走向「实际可用」。 2. 模板匹配任务中，应优先选择**带归一化的匹配算法** （如 NCC），**避免使用无归一化的基础算法**（如 CCORR），以保证匹配结果的稳定性和可靠性。 ### Ⅳ、多目标模板匹配 #### 一、Python 代码实现 ```python import numpy as np import cv2 import matplotlib.pyplot as plt ``` ```python # 利用快速排序算法找到数列中第k大的值 def findKth(s, k): return findKth_c(s, 0, len(s) - 1, k) def findKth_c(s, low, high, k): m = partition(s, low, high) if m == len(s) - k: return s[m] elif m < len(s) - k: return findKth_c(s, m + 1, high, k) else: return findKth_c(s, low, m - 1, k) def partition(s, low, high): pivot, j = s[low], low for i in range(low + 1, high + 1): if s[i] <= pivot: j += 1 s[i], s[j] = s[j], s[i] s[j], s[low] = s[low], s[j] return j ``` 这段代码实现了**快速选择算法**，核心功能是在无需对整个数组完整排序的前提下，高效定位并返回数组中第k大的元素，三个函数分工协作、层层调用，聚焦于目标元素查找，不关心数组整体有序性。 **`findKth(s, k)` - 算法入口函数** * 核心作用：提供简洁易用的调用接口，屏蔽底层递归所需的区间边界参数（`low`/`high`），降低使用者操作门槛，无需手动初始化递归区间。 * 核心逻辑：直接调用递归核心函数 `findKth_c()`，传入数组完整区间（起始索引`0`、结束索引`len(s) - 1`）和查找参数`k`，最终转发并返回递归函数的查找结果，完成接口封装。 **`findKth_c(s, low, high, k)` - 递归核心函数** * 核心作用：通过「单向递归+分区定位」，精准找到第k大元素的位置，找到后直接返回，舍弃无关区间，避免冗余计算。 * 核心逻辑： 1. 调用`partition()`函数对当前区间`[low, high]`进行分区处理，得到基准值的最终有序索引`m`； 2. 计算第k大元素对应的目标索引：`len(s) - k`（基于数组升序分区的特性，升序排列后第k大元素的索引为数组长度减去k）； 3. 单向递归判断（区别于快速排序的双向递归）： * 若`m == len(s) - k`：基准值即为第k大元素，直接返回`s[m]`； * 若`m < len(s) - k`：第k大元素在基准值右侧区间，仅递归处理`[m+1, high]`区间； * 若`m > len(s) - k`：第k大元素在基准值左侧区间，仅递归处理`[low, m-1]`区间。 **`partition(s, low, high)` - 分区函数** * 核心作用：将当前区间`[low, high]`按基准值分区，把基准值放到其最终的有序位置，返回该位置索引，为递归提供定位依据。 * 核心逻辑： 1. 选择区间起始元素`s[low]`作为基准值（`pivot`），初始化左侧区域尾指针`j = low`； 2. 遍历区间`[low+1, high]`，将所有「小于等于基准值」的元素移动到区间左侧，每找到一个符合条件的元素，`j`指针右移一位并交换元素； 3. 遍历结束后，交换基准值`s[low]`和左侧区域尾指针对应元素`s[j]`，将基准值放置到其最终有序位置； 4. 返回基准值索引`j`，此时基准值左侧所有元素均≤它，右侧所有元素均≥它。 ```python class temp_match_multi(): def __init__(self, img, temp, k=50): if img is None or temp is None: raise ValueError("图像读取失败，请检查文件路径是否正确或文件是否损坏") self.img_bgr = img self.temp_bgr = temp self.img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) self.temp_rgb = cv2.cvtColor(temp, cv2.COLOR_BGR2RGB) self.k = k def match(self): temp_gray = cv2.cvtColor(self.temp_bgr, cv2.COLOR_BGR2GRAY) img_gray = cv2.cvtColor(self.img_bgr, cv2.COLOR_BGR2GRAY) w, h = temp_gray.shape[::-1] match_method = cv2.TM_CCORR_NORMED res = cv2.matchTemplate(img_gray, temp_gray, match_method) match_result_flat = list(np.array(res).flatten()) threshold = findKth(match_result_flat, self.k + 1) print('设定的匹配阈值为：', threshold) loc = np.where(res >= threshold) img_draw_bgr = self.img_bgr.copy() for pt in zip(*loc[::-1]): cv2.rectangle(img_draw_bgr, pt, (pt[0] + w, pt[1] + h), (255, 255, 255), 1) img_draw_rgb = cv2.cvtColor(img_draw_bgr, cv2.COLOR_BGR2RGB) plt.figure() plt.title('Multi Template Matching Result') plt.imshow(img_draw_rgb) plt.xticks([]) plt.yticks([]) plt.show() ``` * 代码明确定义 `match_method = cv2.TM_CCORR_NORMED`，并传入 `cv2.matchTemplate()`执行模板匹配，`NCC（Normalized Cross-Correlation`，归一化互相关）就是该方法的对应名称（`cv2.TM_CCORR_NORMED` 是 OpenCV 中 NCC 算法的具体实现）； * 它是归一化版本的互相关匹配，输出相似度值在 \[0,1\] 区间，抗亮度干扰能力强，便于后续多目标匹配的阈值筛选； * 核心作用是完成模板与目标图像的灰度相似度计算，为后续标注高相似度目标提供数据支撑。 ```python def plot_image(img_rgb, title): plt.figure() plt.title(title) plt.imshow(img_rgb) plt.xticks([]) plt.yticks([]) plt.show() if __name__ == "__main__": target_img = cv2.imread('img.png') template_img = cv2.imread('temp.png') try: test_multi = temp_match_multi(target_img, template_img, k=50) plot_image(test_multi.img_rgb, 'Target Image (Original)') plot_image(test_multi.temp_rgb, 'Template Image (Original)') test_multi.match() except ValueError as e: print("程序运行出错：", e) ``` ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/6e904e78ac744de28c780a3e9ff195ca.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/90d820dc8004467aabea7c42603ffc8e.png) #### 二、多模板匹配核心 OpenCV 方法 - 参数及作用详解 ##### 1. cv2.matchTemplate() - 计算方法 ```python cv2.matchTemplate(image, templ, method) ``` | 参数名 | 核心作用 | 代码中的具体取值 | |--------|---------------------------------------------------------------|-------------------------------| | image | 待查找匹配区域的**目标图像**，作为匹配的"大图"，要求为单通道（灰度图）或3通道（彩色图），代码中使用灰度图以提升效率 | img_gray（目标图像转换后的灰度图） | | templ | 用于匹配的**模板图像**，作为匹配的"小图"，尺寸必须小于等于 image，通道数需与 image 一致，代码中为灰度图 | temp_gray（模板图像转换后的灰度图） | | method | 指定匹配算法的类型，决定相似度的计算方式，直接影响匹配结果的稳定性和筛选效率 | cv2.TM_CCORR_NORMED（归一化互相关算法） | * 这三个参数均为必传参数，缺少任何一个都无法完成匹配； * 代码中选用 cv2.TM_CCORR_NORMED 作为 method，是为了得到 \[0,1\] 区间的标准化相似度值，方便后续多目标阈值筛选。 ##### 2. cv2.rectangle() - 标注方法 ```python cv2.rectangle(img, pt1, pt2, color, thickness) ``` | 参数名 | 核心作用 | 代码中的具体取值 | |-----------|----------------------------------------------------|--------------------------------------| | img | 待绘制矩形框的**目标图像**，是匹配结果标注的载体，代码中使用原始图像的复制件，避免修改原始数据 | img_draw_bgr（self.img_bgr 的复制图） | | pt1 | 矩形框的**左上角坐标**，对应模板匹配得到的有效窗口起始位置，决定矩形框的摆放起点 | pt（筛选出的高相似度匹配坐标） | | pt2 | 矩形框的**右下角坐标**，由 pt1 加上模板的宽高（w/h）计算得出，保证矩形框刚好框住匹配区域 | (pt\[0\] + w, pt\[1\] + h)（模板宽高补全坐标） | | color | 矩形框的颜色，采用 OpenCV 标准的 BGR 通道格式，代码中选用高对比度颜色保证标注清晰 | (255, 255, 255)（白色，BGR 格式） | | thickness | 矩形框的**线宽**，单位为像素，代码中选用细线避免遮挡匹配目标本身，适合多目标密集场景 | 1（1像素细线） | * img 是传入的图像数组，该函数会直接在该图像上进行绘制（原地修改），因此代码中先复制原始图像再绘制，保护原始数据； * 若 thickness 传入负数（如 -1），会填充整个矩形框，覆盖匹配目标，不适合多目标标注场景。 ##### 3. 总结 1. cv2.matchTemplate() 核心参数3个：目标图、模板图、匹配算法，用于生成相似度数据； 2. cv2.rectangle() 核心参数5个：绘制图像、左上角坐标、右下角坐标、颜色、线宽，用于批量标注匹配结果； 3. 所有参数均围绕"多目标匹配"设计，保证了匹配的高效性和标注的清晰性。 ### Ⅴ、总结 模板匹配的核心是通过计算 **目标图像窗口** 与 **模板图像** 的像素差异/相关性，得到相似度值 **4种方法对比** | 方法类型 | 相似度判断 | 抗干扰能力 | 结果区间 | 工程实用性 | |----------------------------|-------|-------------|-----------------------------|-------------------| | 平方差（`TM_SQDIFF`） | 越小越好 | 弱（敏感亮度/对比度） | 无固定区间 | 低（仅用于简单场景） | | 归一化平方差（`TM_SQDIFF_NORMED`） | 越小越好 | 强 | \[ 0 , 1 \] \[0,1\] \[0,1\] | 中（平方差类首选） | | 相关性（`TM_CCORR`） | 越大越好 | 弱（敏感亮度/对比度） | 无固定区间 | 低（仅用于简单场景） | | 归一化相关性（`TM_CCORR_NORMED`） | 越大越好 | 极强 | \[ 0 , 1 \] \[0,1\] \[0,1\] | 高（实际工程首选，多目标匹配核心） | **单/多模板匹配** | 对比维度 | 单模板匹配 | 多模板匹配 | |--------|---------------|---------------| | 核心目标 | 寻找唯一最高匹配度区域 | 寻找前k个高匹配度区域 | | 阈值依赖 | 无需阈值，直接取极值 | 必须依赖阈值，筛选有效目标 | | 匹配方法选择 | 4种均可，优先归一化 | 仅支持归一化类（核心） | | 额外算法依赖 | 无 | 需快速选择等算法确定阈值 | | 适用场景 | 目标图像中仅有一个模板目标 | 目标图像中有多个模板目标 | | 典型案例 | 证件照人脸定位、单地标查找 | 文档文字标注、多元件定位 | 1. 归一化相关性（`cv2.TM_CCORR_NORMED`）综合性能最优，抗干扰强、结果标准化，是多模板匹配的核心方法； 2. 单模板匹配聚焦"唯一目标"，无需阈值；多模板匹配聚焦"多个目标"，依赖归一化结果和阈值筛选； 3. 多模板匹配是单模板匹配的延伸，核心解决"批量筛选高相似度目标"的需求，更贴近实际复杂场景。 本章多目标模板匹配参考书：《动手学计算机视觉》 #### 上一章 > [图像滤波：手撕五大经典滤波（均值 / 高斯 / 中值 / 双边 / 导向）【计算机视觉】https://blog.csdn.net/R_Feynman_/article/details/156872829?spm=1001.2014.3001.5501](https://blog.csdn.net/R_Feynman_/article/details/156872829?spm=1001.2014.3001.5501)

相关推荐
Coder_Boy_1 小时前
基于SpringAI的在线考试系统-核心模块的数据模型交互关系
java·数据库·人工智能·spring boot·交互
CCC：CarCrazeCurator2 小时前
汽车UDS诊断深度剖析：定义、原理、应用与未来趋势
人工智能·汽车
FL16238631292 小时前
C# winform部署yolo26-seg实例分割的onnx模型演示源码+模型+说明
人工智能·深度学习
沛沛老爹2 小时前
从Web到AI：Agent Skills CI/CD流水线集成实战指南
java·前端·人工智能·ci/cd·架构·llama·rag
byte轻骑兵2 小时前
【LE Audio】BAP协议精讲[1]: 开启低功耗音频新纪元
人工智能·音视频·蓝牙·le audio·bap
老蒋每日coding2 小时前
AI智能体设计模式系列（八）—— 记忆管理模式
人工智能·设计模式·golang
好奇龙猫2 小时前
【人工智能学习-AI入试相关题目练习-第五次】
人工智能·学习
敏叔V5872 小时前
AI应用开发框架对比：LangChain vs. Semantic Kernel vs. DSPy 深度解析
人工智能·驱动开发·langchain
Das12 小时前
【机器学习】04_支持向量机_拉格朗日对偶法
人工智能·机器学习·支持向量机
热门推荐
01GitHub 镜像站点022025 Telegram 最新免费社工库机器人（LetsTG可[特殊字符]）搭建指南（含 Python 脚本）032025年大语言模型技术全景报告04Linux下V2Ray安装配置指南05安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）06Claude Code Skills 实用使用手册07UV安装并设置国内源08Labelme从安装到标注：零基础完整指南09AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南10BongoCat - 跨平台键盘猫动画工具