摘要：
模板匹配是在整个图像区域中找到与给定子图像匹配的小区域。在OpenCV中，提供了相应的函数来完成此操作：matchTemplate函数：查找模板和输入图像之间的匹配，以获得匹配结果图像minMaxLoc函数：查找给定矩阵中的最大值和最小值，并给出它们的位置。几种常见的模板匹配算法：① TM_ SQDIFF为平方差匹配；TM_ SQDIFF_ NORMED是标准平方误差匹配。②TM_ CCORR是相关匹配；TM_ CCORR_NORMED是标准相关匹配。采用模板和图像之间的乘法运算。数字越大，匹配度越高，0表示匹配效果最差。
模板匹配就是在整个图像区域中发现与给定子图像匹配的小块区域
在OpenCV中，提供了相应的函数完成这个操作:
matchTemplate 函数：在模板和输入图像之间寻找匹配,获得匹配结果图像
minMaxLoc 函数：在给定的矩阵中寻找最大和最小值，并给出它们的位置
几种常见的模板匹配算法：
①TM_SQDIFF是平方差匹配；TM_SQDIFF_NORMED是标准平方差匹配。利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大。
②TM_CCORR是相关性匹配；TM_CCORR_NORMED是标准相关性匹配。采用模板和图像间的乘法操作,数越大表示匹配程度较高, 0表示最坏的匹配效果。
③TM_CCOEFF是相关性系数匹配；TM_CCOEFF_NORMED是标准相关性系数匹配。将模版对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。
python实现
import cv2 import numpy as np __author__ = "boboa" def template_demo(): tpl = cv2.imread("image/tpl.jpg") target = cv2.imread("image/target1.jpg") # cv2.imshow("template_image", tpl) # cv2.imshow("target image", target) methods = [cv2.TM_CCOEFF_NORMED, cv2.TM_SQDIFF_NORMED, cv2.TM_CCORR_NORMED] th, tw = tpl.shape[:2] for md in methods: print(md) result = cv2.matchTemplate(target, tpl, md) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) if md == cv2.TM_SQDIFF_NORMED: tl = min_loc else: tl = max_loc br = (tl[0] + tw, tl[1] + th) cv2.rectangle(target, tl, br, (0, 0, 255), 2) cv2.imshow("match-" + np.str(md), target) if __name__ == "__main__": img = cv2.imread("img1.jpg") # cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE) # cv2.imshow("input image", img) template_demo() cv2.waitKey(0) cv2.destroyAllWindows()
运行结果
